构建了一个合成数据集 ComCOCO，其中包含了 34,615 个对象的 136,495 个自然语言表达的引用表达式，以及 23,951 个图像对的消除后的真实结果。我们进一步提出了一个端到端的语法感知混合映射网络，具有编码 - 解码结构。通过多头注意力在视觉特征的下采样过程中，以句法层次分层提取语言特征，并融合在一起。利用特征对齐的金字塔网络，生成分割掩模，并用从高层特征图中学习到的外部语义区域亲和性替换内部像素。大量实验证明，我们的模型在处理分割和修复任务的两个阶段的扩散模型和两阶段方法上，明显优于它们。

Mar, 2024

本论文提出了一种基于自然语言输入的图像修复算法，名为 Inst-Inpaint，可同时估计要移除的对象，并对其进行修复。为了支持该任务，我们首先构建了一个名为 GQA-Inpaint 的数据集。我们在合成和真实图像数据集上运行了各种 GAN 和扩散基线，使用不同的评估指标比较方法，并展示了显著的定量和定性改进。

Apr, 2023

提出一种以用户为中心的快速、交互式、强大和高质量的阴影去除方法，采用基于动态学习的检测方法及前沿用户指导的笔记，并采用归一化框架来实现阴影去除。此外，该论文还提供了第一个验证的和多场景类别的真实数据集，以及阴影去除算法的最全面比较和在线数据集的平台。

Aug, 2016

本文提出了一种优化遮罩的方法，通过图像修复来提高对象去除的质量。通过使用分割提取的对象遮罩来训练修复网络，并在推断步骤中使用这些遮罩，解决了训练和推断图像之间的域差异问题。此外，通过连接分割网络和修复网络进行端到端训练，以改进修复性能，并通过遮罩扩展损失来实现大型和小型遮罩之间的权衡，进一步增强了端到端训练的效果。实验结果证明了我们的方法在通过图像修复实现更好的对象去除方面的有效性。

Mar, 2024

通过利用分割蒙版数据集和在蒙版内修复的修复模型，我们可以实现自动逆向修复过程，将对象添加到图像中，在没有用户提供的输入蒙版的情况下，提供了一种无缝地根据文本指令添加对象的方法。

Apr, 2024

通过移除时尚图像的背景以提高数据质量和模型性能，本文对时尚图像进行背景去除的研究进行了实验，结果表明背景去除能够有效地提高简单网络模型在时尚数据分类任务上的准确性，但在深度神经网络中与其他正则化技术不兼容，存在过拟合的风险。

Aug, 2023

本文旨在研发一种自动化、不需要交互即可实现目标物体移除的模型，其基于生成对抗网络框架，利用图像级别标签和非配对数据进行训练。通过两个关键贡献：一个由掩膜生成器和图像修复器组成的两阶段编辑器体系结构，以及一种基于 GAN 的先验模型，该模型能灵活地整合物体形状知识。我们在两个数据集上进行实验表明，该方法能够有效地去除各种不同的物体，仅需要较弱的监督学习。

Jun, 2018

该论文提出了一种基于可解释的人工智能 (XAI) 方法的自动输入遮罩生成器，可以更好地移除图像中的物体，并提出了 FID$^*$ 和 U-IDS$^*$ 等新的评估指标来适当评估物体移除器的质量。

May, 2023

本研究利用背景删除技术作为强健训练的方式，探索性地修改了训练过程，从而提高了黑盒子机器学习模型特征可视化的解释能力，并验证了此假设通过四种不同的训练方法。图像的特征可视化结果表明，使用背景删除图像比使用未修改数据的模型的改进更为显著。

Jun, 2023

通过在 6 个具有挑战性的数据集上定量和定性地比较 40 个最先进的模型（28 个显著性目标检测、10 个注视预测、1 个目标性、1 个基准）以进行显著目标检测和分割方法的基准测试，评价显示，这个领域在准确度和运行时间方面在过去几年里有了持续的快速进步。对于这个问题，我们发现显著目标检测专门设计的模型通常比相关领域中的模型表现更好，这为问题的精确定义提供了提示，并提出了一些可能的解决方案和未来的研究方向。

Jan, 2015