用户4656691460711

摘要 最近的深度生成修复方法使用注意力机制通过已知区域来修复未知区域。由于缺失区域和已知区域之间缺少缺乏监督，可能会无法找到合适的参考特征，这往往会导致结果中的伪影。此外，在推理过程中计算整个特征映射

摘要 这篇文章创新之处在于利用频率域的思想来实现图像修复。以前基于深度学习的图像修复往往是在空间域上进行的。重建损失和对抗损失分别是合成不同频率的内容，简单的将他们一起应用往往会导致频率间的冲突损害图

摘要及介绍 这篇文章的创新是把知识蒸馏引入了图像修复。以前的图像修复将图像修复过程分为了两个阶段。这些方法往往在第一个阶段产生粗糙的修复结果，之后发送到第二阶段进行精细的图像修复。这种方法通常需要使用

论文的贡献 1.首次将外部-内部学习方法引入深层图像修复，它通过训练大型数据集从外部学习语义知识，同时充分利用单个测试图像的内部统计信息。 2.设计了一种渐进式的内部色彩恢复网络，该网络可以实现出色的

动机 1.针对如何提取图像特征等问题，作者提出了多个分支卷积，每个分支采用不同的感受野。 2.对与为缺失区域寻找相似的patch，作者提出了ID-MRF。 3.对于缺失区域的修复结果有很可能性的结果，

摘要及介绍 目前基于深度学习的图像修复方法由于硬件条件的限制，往往只能处理低分辨率的图像，对于大一点的图像，修复结果会比较模糊。于是作者提出了一个基于图像内容和纹理约束联合优化的多尺度合成方法。这种方

摘要及介绍 尽管最近的修复方法已经证明了深度神经网络的显着改进，但在填充缺失区域时，它们仍然存在诸如钝结构和突然颜色之类的伪影。 为了解决这些问题，我们提出了一种具有单色瓶颈的外部内部修复方案，可帮助

摘要及介绍 这篇文章主要提出了一个金字塔编码器网络（PEN—Net），PEN-Net建立在U-Net结构的基础之上。通过注意力机制将高维特征转移到低维特征上，保证了图像修复的视觉与语义的一致性。并进一

我们提出了一种新的图像补全方法，其结果图像是局部和全局一致的。利用全卷积神经网络，我们可以通过填充任何形状的缺失区域来完成任意分辨率的图像。