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

利用 BCom-Net 神经网络构建了一个两阶段的方法来实现从部分输入的 3D 扫描中完整地重建出身体形态和纹理，并在 SHARP 2022 挑战中获得了第二名。

Aug, 2022

本文提出了一种基于面部几何特征的面部完成和编辑网络（FCENet），通过从未误差处理的人脸区域分析面部几何结构，采用编码器 - 解码器结构和低秩正则化项进行脸部图像的自动修复和编辑。

Sep, 2018

本文采用深度学习的方法，利用生成式对抗网络 (GANs) 在高分辨率下控制多种属性（如男性和微笑）来完成高分辨率下具有多种属性控制的面部图像。

Jan, 2018

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

本研究提出了一种基于深度学习的面部修复方法，能够在大面积遮挡的情况下实现多角度视角的面部完成重构，并保持面部的身份特征。与传统的面部修复方法不同，该方法基于生成网络，具有特定的约束条件，能够合成具有一致身份特征的连贯面部图像，拥有更好的稳定性和合成技巧。

Jul, 2018

通过使用 3D 卷积神经网络结构，本研究为机器人抓取规划提供形状补全，同时在实时运行时进行形状补全以规划和执行抓取动作。研究还探讨了形状补全的质量因素，如物体是否存在于训练数据中，使用几个物体模型用于训练网络，以及网络推广到新颖物体的能力等，同时对机器人抓取的效用和补全质量进行了实验验证。

Sep, 2016

本文介绍了一种名为 MaskComp 的新颖的对象完成方法，通过迭代的生成和分割阶段对完成过程进行描绘。每个迭代中，对象掩码作为额外条件用于增强图像生成，生成的图像通过融合图像的分割结果可以得到更精确的掩码，实现了掩码去噪器的功能。通过生成和分割阶段的交替，可以逐步改进部分对象掩码，提供精确的形状引导，并得到优越的对象完成结果。实验结果表明，MaskComp 相对于现有方法，如 ControlNet 和 Stable Diffusion，具有优势，成为对象完成的有效解决方案。

Oct, 2023

本研究中我们提出了一种用于表情驱动的视频修复的网络，利用生成对抗网络来处理静态和移动的遮挡物以生成完整的人脸图像，并借助面部标志和无遮挡参考图像来保持用户身份的一致性和情感的细节修复，为静态和动态帧中的面部视频消除遮挡提供了逼真和连贯的结果。

Feb, 2024

本论文提出一种新的深度学习方法，利用可变自编码器和图形卷积运算来实现对非刚性变形物体进行局部补全，对合成和真实扫描的人体和面部网格进行了实验，显示出有前途的结果。

Dec, 2017