用于认知图像修复的深度Inception生成网络
计算机视觉与模式识别
2018-12-05 v1
摘要
深度学习的近期进展在填充大块缺失区域方面展现出令人振奋的前景，并为图像修复提供了另一研究方向。然而，现有基于学习的方法常因认知理解不足而产生伪影与错误纹理。以往的生成网络受限于单一感受野类型，并为保持细节锐度而放弃池化。人类认知不随目标属性改变。由于多感受野可提升抽象图像表征能力，且池化能保持特征不变性，具体而言，本文采用深度Inception学习以提升高层特征表示，并增强模型对局部块的学习能力。此外，引入了生成多样掩码图像的方法，并构建了随机掩码数据集。我们在ImageNet、Places2数据集和CelebA-HQ上对所提方法进行基准测试。针对规则、不规则及自定义区域的补全实验均已开展，并展示了自由风格图像修复。与先前SOTA方法的定量比较表明，我们的方法获得了更自然的图像补全结果。
引用
@article{arxiv.1812.01458,
title = {Deep Inception Generative Network for Cognitive Image Inpainting},
author = {Qingguo Xiao and Guangyao Li and Qiaochuan Chen},
journal= {arXiv preprint arXiv:1812.01458},
year = {2018}
}