面向大缺失区域的区域式生成对抗图像修复
系统与控制
2019-09-30 v1 系统与控制
摘要
近来深度神经网络在图像修复任务中填充大缺失区域方面取得了可喜性能。它们通常在受损图像上采用标准卷积架构，导致出现颜色差异、模糊与伪影等无意义内容。此外，多数修复方法不能很好处理大连续缺失区域情形。为解决这些问题，我们提出一种通用修复框架，能够以对抗方式处理具有连续与离散大缺失区域的不完整图像。其中，生成器与判别器均部署区域式卷积以分别处理不同区域，即已有区域与缺失区域。此外，引入相关性损失以捕捉不同图像块间的非局部关联，从而引导生成器在推理中获取更多信息。借助所提框架，我们可恢复语义合理且视觉逼真的图像。在三个广泛使用的图像修复数据集上进行了充分实验，定性与定量实验结果均表明，所提模型在大连续与离散缺失区域上均显著优于当前最优方法。
引用
@article{arxiv.1909.12506,
title = {Distributionally Robust Tuning of Anomaly Detectors in Cyber-Physical Systems with Stealthy Attacks},
author = {Venkatraman Renganathan and Navid Hashemi and Justin Ruths and Tyler H. Summers},
journal= {arXiv preprint arXiv:1909.12506},
year = {2019}
}