- 基于距离加权的 Transformer 网络用于图像补全
本文提出了一种新的架构，利用基于距离加权变换器的方法 (DWT) 来更好地理解图像组成部分之间的关系，并结合卷积神经网络 (CNNs) 和 DWT 块的优势来增强图像完成过程，通过编码全局依赖并计算基于距离加权的特征图，有效减少了视觉的歧义 - RealFill: 基于参考图像的真实图像修复生成
RealFill 是一种新的生成式修复模型，通过只使用少量与目标图像无需对齐且具有不同视角、光照条件、相机光圈或图像风格的参考图像个性化，能够以视觉上引人注目且忠实于原始场景的内容填充图像的缺失区域。在各种不同且具有挑战性的场景中，我们发现 - 使用生成对抗网络的语义图像补全与增强
语义修复，图像完成，图像增强，生成对抗网络 (GAN)，图像质量。
- MaGIC: 多模态导向图像修复
本文提出了一种名为 MaGIC 的多模态引导图像补全方法，该方法不仅支持单模态引导，还能适应任意多种模态的引导，使用模态特定的 MCU-Net 注入单一信号，再通过一致性模态混合 (CMB) 方法传播梯度，实现了在没有大量参考信息的情况下的 - 使用深度多元图像补完技术对高分辨率乳腺扫描图像进行无监督异常定位
本文提出了一种通过图像完成的角度解决 Digital Breast Tomosynthesis（DBT）自动肿瘤检测问题的方法，该方法通过探索可能完成的分布来解决固定预测的问题，并提出 “最小完成距离（MCD）” 来检测异常，相对于现有方法 - 双路径协同滤波法图像补全
通过使用预测过滤器和深度特征级语义过滤方法，提出了一种双路径合作滤波模型（DCF），以增强图像恢复的效果，并在三个具有挑战性的图像完成数据集上进行的实验表明，DCF 优于现有方法。
- 上下文感知图像补全
本文提出了一种名为 Refill 的基于 Transformer 网络和前景背景语义分割的图像修复模型，通过对原始场景上下文的考虑，生成高质量的缺失部分内容。实验证明该模型优于现有的 state-of-the-art 方法。
- 为高保真图像完成构建全局上下文交互
本文提出了一种基于 transformer 架构的图像补全方法，不同于之前使用的卷积神经网络，该方法采用了一种具有小且非重叠感受野的限制性卷积神经网络，通过加入 attention-aware layer 来提升外观一致性，相较于其他方法， - 基于 Transformer 的高保真多元图像完成
该论文提出了一种结合 transformer 和卷积神经网络的图像补全方法，可实现丰富的多样性和高保真度，普适性强。
- ICLR基于协同调制的生成对抗网络进行大规模图像补全
提出了一种基于深度学习的图像补全方法，该方法通过融合条件生成和最近的无条件生成的模型结构，引入共同调制的方式来提高大规模缺失区域图像的补全质量，并使用新的 P-IDS/U-IDS 算法来提供真实图像的知觉保真度量化，综合实验数据表明，在自由 - MM保持结构的渐进低秩图像修复，以抵御对抗性攻击
该论文提出了一种结构保持的渐进低秩图像完成（SPLIC）方法，旨在通过去除输入图像中不必要的纹理细节并将深度神经网络的偏差转移至全局物体结构和语义线索来提高其对抗性防御。实验结果表明，该方法能够成功地去除不重要的局部图像细节，同时保留重要的 - LaFIn: 基于地标引导的人脸修复生成模型
本文提出了一种基于深度学习的人脸修复算法，结合人脸关键点预测和图像修复，实现了对人脸姿态、表情和遮挡等多方面的修复。在 CelebA-HQ 和 CelebA 数据集上的实验表明，该算法在视觉效果和定量评估上均超过了现有算法。同时，本文还发现 - MM使用深度学习进行语义图像补全和增强
本文提出了一种深度学习架构，使用生成对抗网络 (Wasserstein GAN architecture) 完成损坏、缺失图像的修复与增强，实验结果表明该方法相对于最近报道的结果，峰值信噪比和结构相似度指数提高了 2.45% 和 4%。
- 图像修复的深度融合网络
该论文提出了一种称为深度融合网络（DFNet）的技术，该技术通过引入一个融合块生成灵活的 alpha 合成地图，将深度图像补全与现有内容和谐地融合在一起，同时提供注意地图以使网络更加关注未知像素，从而获得质量更好的图像补全结果。
- 通过程序合成学习神经符号生成模型
本文介绍了一种使用程序表示全局结构的生成模型和利用程序综合生成训练数据的框架，可显著改善生成和补全具有全局结构的图像。
- FaceShop：基于深度素描的人脸图像编辑
本文提出一种新颖的基于素描的面部图像编辑系统，它利用了用户的少量素描笔画，有几何和颜色约束，支持粘贴模式和实时交互，并建立在基于新颖的素描领域和卷积神经网络之上，从而将图像完成和图像翻译两个任务结合在一起，十分成功。
- ECCV利用上下文 GAN 从草图约束生成图像
本文研究基于手绘草图的图像生成，提出了一种新的联合图像补全方法，借助草图作为上下文来完成图像生成，并训练出了一种称为 “contextual GAN” 的生成式对抗网络，能够更好地生成真实感图像
- Gang of GANs：带有最大间隔排名的生成对抗网络
本研究提出了 Gang of GANs (GoGAN) 方法，将 WGAN 的鉴别器损失推广到基于边界的方法，实现更好的生成器和较少的梯度消失、不稳定性和模式崩溃问题，并采用一种新的 GAN 质量测量方式，并在四个视觉数据集上进行了评估，相 - CVPR面向变换的图像生成网络用于新型 3D 视角合成
提出了一种基于变换的图像生成网络，能够从单张图片中合成新的 3D 视图，并采用用组合的对抗和感知损失的训练方法，成功地减少了失真和图像中的缺陷，并保留了图像的视觉细节等特征。
- MM场景补全的自动物体移除
本文提出了一种基于结构的图像补全算法，采用边缘匹配技术推断未知区域的潜在结构，并沿着估计的曲线自动执行纹理合成，以产生具有一致结构和场景纹理的视觉上令人满意的图像，实验证明该方法可以潜在地用于 3D 场景重建和位置识别的后续大数据处理。