基于信号分解的地形点云修复
本文提出一种基于图信号处理的快速点云修复方法,利用点云的局部平滑性和非局部自相似性,将修复过程转换为优化问题,该方法相对于其他四种方法在客观和主观质量上表现明显更优。
Sep, 2018
本文提出了一种基于深度神经网络和纹理传播的学习方法来完成图像修复,通过分离任务为推理和翻译两个步骤并用简单的启发式算法指导局部纹理从边界到空洞的传播,我们证明了我们的方法在几个公共数据集上能够产生比以前的最先进方法更高质量的视觉结果。
Nov, 2017
本文通过自监督学习中的修补法算法 PointPnCNet,使用 LiDAR 数据进行点云补全,以解决遮挡问题,我们的方法在 ShapeNet 和 Semantic KITTI 的数据集中,表现优于前人的无监督和弱监督方法。
Nov, 2021
通过使用图像条件的深度完成模型引导点的初始化,本研究提出了一种名为 InFusion 的方法,它能够更准确地补全 3D 高斯空间中的点,从而在各种复杂情况下提供更好的保真度和效率。
Apr, 2024
该研究提出了一种有前景意识的图像修复系统,通过分离结构推断和内容完成,学习预测前景轮廓并利用预测的轮廓进行纹理填充。实验表明,该方法在处理复杂图像的同时,能够显著提高图像修复的性能。
Jan, 2019
本文提出了一种名为 TransFill 的图像修复方法,该方法通过参考与目标图像具有相同场景内容的另一幅源图像来填补缺失区域,通过多重单应性变换和像素级融合达到了当前最先进的性能。
Mar, 2021
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
图像修复是将图像中的缺失或故意遮挡部分恢复出来的过程,在现代修复技术中,我们提供了当前主要方法的概述和评估,并着重解决了现有模型在生成过程中缺乏提示和控制能力的问题,并提供了多种实现该功能的方法。最终,通过对生成的高质量图像进行定性检查,我们评估了我们的方法的结果是否能正确地修复指定区域。
Mar, 2024
使用点云表示方法,我们提出了 Point Intrinsic Net (PoInt-Net),通过联合预测反射率、光源方向和阴影,解决了困扰人们很久的内在分解问题。实验证明了 PoInt-Net 在准确性方面优于 2D 表示方法,并且在小规模和任意规模点云上表现稳定,在单个物体级别数据集上进行训练具有合理的泛化能力,适用于未见过的物体和场景。
Jul, 2023