基于上下文的图像修复：推断、匹配与转换

我们研究图像修复任务，即用合理的内容填充不完整图像的缺失区域。为此，我们提出一种基于学习的方法，在给定带有缺失成分的高分辨率图像时生成视觉连贯的补全结果。为了克服直接学习高维图像数据分布的困难，我们将该任务划分为推断与转换两个独立步骤，并用深度神经网络对每一步建模。我们还使用简单的启发式方法引导局部纹理从边界向孔洞传播。我们表明，通过使用此类技术，修复简化为在更小空间中学习两个图像特征转换函数的问题，因此更易于训练。我们在多个公开数据集上评估了我们的方法，并展示我们生成的结果比先前最先进方法具有更好的视觉质量。