使用分块渐进式训练与退火对抗对应物的图像修复
计算机视觉与模式识别
2018-03-29 v2
摘要
深度生成模型的最新进展在图像修复中展现出可观的潜力，图像修复是指利用已知上下文预测不完整图像缺失像素值的任务。然而，现有方法可能速度缓慢，或生成带有易检测缺陷的不尽人意的结果。此外，在空洞附近通常存在可感知的不连续性，需要进一步的后期处理来融合结果。我们提出了一种新方法，以解决训练极深生成模型来合成高质量逼真修复结果的困难。我们的模型使用条件生成对抗网络 (conditional GANs) 作为主干，并引入了一种新颖的分块渐进式训练方案，在增加网络深度的同时稳定训练。我们还提出了一种称为对抗损失退火的新策略来减少伪影。我们进一步描述了几种专为修复设计的损失函数，并展示了它们的有效性。大量实验和用户研究表明，我们的方法在修复、人脸补全和图像协调等几项任务中优于现有方法。最后，我们展示了我们的框架可以轻松用作交互式引导修复的工具，证明了其在解决常见现实世界挑战方面的实用价值。
引用
@article{arxiv.1803.08943,
title = {Image Inpainting using Block-wise Procedural Training with Annealed Adversarial Counterpart},
author = {Chao Yang and Yuhang Song and Xiaofeng Liu and Qingming Tang and C. -C. Jay Kuo},
journal= {arXiv preprint arXiv:1803.08943},
year = {2018}
}