本文提出了一种深度学习架构,使用生成对抗网络 (Wasserstein GAN architecture) 完成损坏、缺失图像的修复与增强,实验结果表明该方法相对于最近报道的结果,峰值信噪比和结构相似度指数提高了 2.45% 和 4%。
Nov, 2019
本文提出了一种协作式对抗学习算法 (collaborative GAN,简称 collaGAN),结合面部完成 (face completion)、地标检测 (landmark detection) 和语义分割 (semantic segmentation) 等多项任务,以明确和增强语义知识,优化面部完成任务。大量实验证明该算法产生了卓越的性能表现,优于其他生成图像修复模型和单项任务学习方法。
Dec, 2018
本文提出了一种基于生成模型的新型语义图像修复方法,该方法可在缺失的内容相互独立的情况下进行推理,并取得超越其他方法的像素级真实感。
Jul, 2016
本文提出一种基于深度生成模型的有效面部完成算法,通过神经网络直接生成缺失区域的内容,并通过重构损失、两种对抗性损失和语义分割损失进行训练,能够处理任意形状的大面积丢失像素并生成逼真的面部完成结果。
Apr, 2017
本文介绍了一种基于生成对抗网络 (GAN) 的语义条件方法,可在图像扩展、全景图像生成等领域中取得强大的成果。
Aug, 2019
本文提出了一种基于生成对抗网络 (GAN) 的多领域图像完成方法,该方法使用表示学习技术在多个领域中提取共享骨架编码和分离的肉体编码,以完成实际应用中可能出现的领域数据缺失问题,并证明所学习的表示方法对高级任务具有潜在价值。
Jul, 2020
本研究旨在探讨利用生成对抗网络进行三维场景填充的潜力与效率,并通过几个数据集的实验验证了这种模型优于传统三维卷积神经网络在一定程度具有对齐的数据集内。
May, 2019
本文提出了一种名为 Refill 的基于 Transformer 网络和前景背景语义分割的图像修复模型,通过对原始场景上下文的考虑,生成高质量的缺失部分内容。实验证明该模型优于现有的 state-of-the-art 方法。
Oct, 2022
提出了一种基于深度学习的图像补全方法,该方法通过融合条件生成和最近的无条件生成的模型结构,引入共同调制的方式来提高大规模缺失区域图像的补全质量,并使用新的 P-IDS/U-IDS 算法来提供真实图像的知觉保真度量化,综合实验数据表明,在自由形式图像补全和图像翻译方面,该方法的质量和多样性性能均优于现有方法。
Mar, 2021
本文提出了一种利用扩张卷积密集组合,通过设计自主回归损失、几何对齐约束项和具有局部和全局分支的判别器等方法改进图像修复的 GAN 模型。实验表明,该方法在多个公共数据集上都优于现有的最先进方法。
Feb, 2020