GuidPaint：基于扩散模型的类指导图像填充
计算机视觉与模式识别
2025-07-30 v1
摘要
近年来，扩散模型因其强大的生成能力在图像填充任务中得到广泛采用，取得了令人瞩目的成绩。现有的基于扩散模型的多模态填充方法通常需要架构修改和重新训练，导致高计算成本。相比之下，基于上下文的扩散填充方法利用模型内在的先验条件调整中间去噪步骤，无需额外训练即可实现高质量填充，显著降低计算开销。然而，这些方法缺乏对遮盖区域的细粒度控制，常导致语义不一致或视觉不合理的内容。为此，我们提出了 GuidPaint，一个无训练、类指导的图像填充框架。通过将分类器引导集成到去噪过程中，GuidPaint 实现了对遮盖区域中间生成结果的精确控制，确保语义一致性和视觉真实性。此外，它整合了随机和确定性采样，允许用户选择偏好的中间结果并确定性地进行细化。实验结果表明，GuidPaint 在定性和定量评估方面均显著优于现有的基于上下文的填充方法。
引用
@article{arxiv.2507.21627,
title = {GuidPaint: Class-Guided Image Inpainting with Diffusion Models},
author = {Qimin Wang and Xinda Liu and Guohua Geng},
journal= {arXiv preprint arXiv:2507.21627},
year = {2025}
}