- Magicremover：无需调整的文本引导图像修复与扩散模型
MagicRemover 是一种基于强大的扩散模型进行文本引导的图像修复的无需调参方法，通过引入注意力引导策略来限制扩散模型的采样过程，实现指定区域的擦除和遮挡内容的恢复，同时提出一种分类器优化算法以在少量采样步骤内提高去噪稳定性，并通过定 - Gradpaint: 基于梯度引导的扩散模型修复
GradPaint 是一种用于图像修复的方法，通过计算模型的损失与输入图像的相干性，并使用扩散模型本身的梯度来引导生成过程，从而改善了目前基于监督和非监督方法的最新技术。
- 基于 GAN 的高效图像修复算法
COVID-19 全球大流行对人脸识别带来了新的挑战，掩面的现象出现后，作者考虑利用图像修复中的机器学习方法来解决这个问题，并通过生成对抗网络（GAN）的生成能力和 autoencoder 的潜力，实现对原本被口罩遮挡的部分进行完整性修复。
- 通过事件相机看透动态遮挡
通过结合传统相机和事件相机，本文提出了一种在动态遮挡存在的情况下从单个视点重建背景的新方法，利用遮挡引起的事件提供高时间分辨率的相对强度变化信息，实现对背景内容的更准确重建。通过大规模数据集的实验证明，我们的方法在图像修复方面比图像修复方法 - 基于生成补全的高内容图像重建的保持表型的度量设计
评估了用于高内容荧光显微数据集中的图像恢复的最新修复方法，并提出了一种新的保留表型度量设计策略以控制修复质量。
- 基于缺陷感知掩模变换的视频修复模型
该研究提出了一种双模式兼容修复框架，称为 Deficiency-aware Masked Transformer (DMT)，通过自注意力模块和感受野上下文增强来提高视频修复的性能。
- 空间和频率提示对高保真图像修复的贡献
该研究提出了一种有效的频空间补偿网络 (Frequency-Spatial Complementary Network)，通过利用空间和频率域中丰富的语义信息建立了额外的频率支路和频率损失，并提出了一种频率 - 空间跨域注意力块 (Freq - WavePaint: 自监督修复的高效混合器
本文介绍了一种基于 WaveMix 的全卷积神经网络结构 WavePaint 用于图像修复，采用 2D 离散小波变换进行空间和多分辨率的令牌混合，与目前最先进的模型相比，WavePaint 模型参数更少，具有相当的泛化性。
- TransRef：多尺度参考嵌入变形器 —— 用于参考引导的图像修复
本文提出了一种基于参考的图像修复方法，通过逐步参考嵌入和对齐修复和参考图像的关键点，结合参考图像信息用于引导修复过程，并在公开数据集上进行了验证。
- 通过草图细化实现交互式图像修复
提出了一种名为 SketchRefiner 的双阶段图像修复方法，旨在有效利用手绘线描信息以及通过交叉相关损失函数对其进行校准和优化，从而消除由于自由线描造成的伪影和失真，并提高修复质量。
- 扩散刷：基于潜在扩散模型的 AI 生成图像编辑工具
本文提出了一种基于潜在扩散模型的工具 Diffusion Brush，用于对人工智能合成的图像进行高效的局部微调，在保留图像原始内容的同时，引入新的随机噪声模式以定位特定区域，通过与其他图像修复技术和编辑软件的比较，验证了我们这种方法的可用 - 基于深度学习的脚手架遮挡下场景恢复方法
本研究提出了一种新的二步法方法，将像素级分割和图像修复结合起来，用于从脚手架遮挡中恢复建筑场景，并使用只基于无标签数据的低成本数据合成方法来解决标记数据的短缺困境。实验表明，该方法在脚手架分割和从脚手架遮挡中恢复场景方面实现了 92％的平均 - INCLG: 基於多任務圖像處理網絡的非腭裂唇生成修補算法
我们提出了一种软件，可预测无腭裂唇病患的非腭裂面部图像，从而促进对腭裂唇手术的理解、意识和讨论。我们采用图像修补设计了一个软件框架，不需要腭裂唇图像进行训练，从而减轻了模型泄漏的风险。我们实现了一种新颖的多任务架构，预测非腭裂面部图像和面部 - AURA：基于随机输入采样的自动生成遮罩技术用于物体消除
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。
- T-former：一种高效的图像修复变形器
本文中，我们设计了一种新的基于注意力的线性结构，称为 T-former，用于图像修复，实验表明该方法在保持较低的参数数量和计算复杂度的同时，实现了最先进的精度。
- 敦煌壁画修复的多阶段递进推理
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。
- GRIG：少样本生成式残差图像修复
提出了一种使用 CNN 和 Transformers 进行全局推理的 few-shot generative residual image inpainting 方法，通过图像级和补丁级鉴别器及伪造补丁的对抗训练策略实现高质量修复效果，并通 - 图像修复中的物体分割方法
该论文提出了一种名为 Inpaint Anything 的新范例，支持去除、填充和替换图像内容，并基于 Segment-Anything Model 实现无需遮罩的图像修复。
- 利用去噪扩散隐式模型实现连贯图像修复
本文介绍一种基于贝叶斯法的 COPAINT 算法，其使用扩散模型来修复图像并通过逐步减小误差的方式来减少与参考图像的偏差，从而优于现有的扩散模型方法。
- 扩散模型作为遮盖自编码器
本文提出一种使用掩码自编码器作为扩散模型的条件，进而重复生成预训练视觉表示的方法，具备强大的下游识别任务的初始化能力，高质量图像修复和无需额外努力即可应用于视频分类等许多优点。同时，本文还对设计选择的利弊进行了全面的研究并建立了扩散模型和掩