本研究提出一种结构感知的 Diminished Reality 模型，通过预测室内场景的结构来生成去除特定物体的场景，该方法在改进的 Structured3D 数据集上的测试中具有快速收敛速度和卓越表现。

Jun, 2021

提出一种将单个 RGB-D 输入图像转换成 3D 照片的方法，其中包含了多层的新视角综合结构，可以补全原始视角中被遮挡区域的缺失的颜色和深度信息，并经验证在各种现实场景中比现有技术实现更少的图像伪影。

Apr, 2020

通过结构化将问题分解为补全和 2D 到 3D 场景转换两个步骤，本文提出了一种场景重建的方法。通过利用大型语言模型来补全从不同视角渲染的场景彩色图像中的缺失区域，然后通过预测补全图像的法线并解决缺失深度值的方法来将这些补全图像转换为 3D。通过对法线的预测而不是直接预测深度，我们的方法可以适应深度分布和尺度的变化，同时在提供对新对象和场景的泛化能力的同时，优于多个对比基线的表现。

Jul, 2023

我们提出了一种新的分层修复 GAN（HI-GAN），它由三个 GAN 组成，EdgeGAN 和 LabelGAN 分别修复边缘图像和分割标签图像，而 CombinedRGBD-GAN 则结合它们的潜在输出并进行 RGB 和深度修复，同时边缘图像和分割标签图像作为辅助输入显著增强了修复性能，并通过分层优化实现了端到端的操作，实验证明 HI-GAN 在整体上表现优于现有方法。

Feb, 2024

使用自我监督学习技术，通过 RGB-D 传感器捕获的完整深度图像，提出了 SelfReDepth 深度恢复的自监督深度学习方法，用于去噪和填充深度图，目标是在实时动态环境中高质量地去噪深度视频，与各种 RGB-D 传感器兼容并可用于其他深度依赖算法的预处理步骤。

Jun, 2024

引入了一种新颖的基于深度的内窥镜视频修复 (DAEVI) 框架，通过直接从视觉特征进行深度估计、有效地融合视觉和深度信息以及评估 RGB-D 序列的准确性，实现了比最先进方法 PSNR 提升 2% 和 MSE 降低 6% 的优越性能，进一步定性分析验证了其修复精细细节的能力，突出了将深度信息整合到内窥镜修复中的优势。

Jul, 2024

本文介绍了一种新颖的方法，通过将 2D 扩散模型提炼为学习的 3D 场景表示（例如 NeRF），对给定的有掩模的多视图图像进行 3D 区域修补。

Dec, 2023

本文介绍了一种基于 Deep Image Prior 算法的图像修复方法，该方法对于数字人文领域中古老壁画的修复效果优于基于变分 / PDEs 和基于块的方法。作者通过将修复数据引入到一个未经过训练的卷积神经网络中，利用可靠信息匹配来完成修复。作为案例研究，作者将这种方法应用于地中海阿尔卑斯山区几个小教堂内高度损坏的中世纪画作的图像修复，并提供了详细描述。

Jun, 2023

通过引入细节增强的注意力隐式表示（DEAR）方法，该研究旨在解决低分辨率图像中的遗失区域恢复和生成任意高分辨率的图像，并通过使用单一模型在高质量完成的图像方面取得成功。

Jul, 2023

本文提出了一种名为 DeepGIN 的深度生成修复网络，采用空间金字塔扩张 ResNet、多尺度自注意力机制和反向投影技术等方法实现多种类型图像修复，且在 FFHQ 和 Oxford Buildings 数据集中比其他具有代表性的方法表现更好。

Aug, 2020