本文描述了一种基于多阶段渐进推理和多尺度特征聚合模块的数字壁画修复方法，该方法通过全局到局部感受域递归推断损伤边界和逐步加紧区域纹理约束，能有效恢复敦煌壁画。

May, 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

本文探讨了 Instance Normalization 在低级别视觉任务中的作用。通过引入 HIN Block，我们设计了一个简单而强大的多级网络 HINet，该网络在各种图像恢复任务上超越了现有技术。

May, 2021

本篇研究旨在通过利用 CNN 的内在属性来解决高光谱图像处理中数据集过小导致训练困难的问题，并提出了一种新的不需训练网络的方法解决高光谱图像去噪、修复和超分辨率问题，该方法在性能上与已有的训练网络方法相当，但不受训练数据可用性限制。

Feb, 2019

通过结合深度学习和传统方法，使用 LaMa 和 PatchMatch 对超过 4K 分辨率的图像进行修复，并通过一种新颖的策略即 8x8 反对称成对偏好矩阵的列求和来选择一个好的修复结果。实验结果优于 8 种基线模型和 4 种 SOTA 模型。

Aug, 2022

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

设计一种基于计算机视觉模型的自动化解决方案，能够改善和重建退化艺术品的视觉质量，同时保留其原始特色和艺术品，以此来保存文化遗产。

Sep, 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

该论文提出了一种基于 Deformation Inpainting Network（DINet）的高分辨率人脸视觉配音方法，通过在参考图像的特征映射上执行空间变形来更好地保存高频纹理细节，并取得了比其他最先进的方法更好的效果。

Mar, 2023

本文提出使用受自我监督预训练的 MAE 方法，作为 inpainting 模型的新骨架，并加入 MAE 注意先验，以增强 inpainting 模型的长距离依赖性，验证结果显示该方法在 Places2 和 FFHQ 上都取得了较好的效果。

Aug, 2022