基于可学习特征填补的图像修复
计算机视觉与模式识别
2020-11-03 v1 图像与视频处理
摘要
常规卷积层以相同方式在已知和未知区域上应用滤波器，会在修复图像中引起视觉伪影。若干研究通过对卷积输出进行特征重归一化来解决此问题。然而，这些模型使用大量可学习参数进行特征重归一化，或假设输出的确定性的二值表示。我们提出对卷积的缺失输入值进行（逐层）特征填补。与学习的特征重归一化相比，我们的方法高效且引入极少数量的参数。此外，我们提出了一种用于图像修复的修正梯度惩罚，以及一种仅在对抗损失下训练的 novel GAN 架构。我们在 FDF 数据集上的定量评估反映，我们的修正梯度惩罚和替代卷积显著提升了生成图像质量。我们在 CelebA-HQ 和 Places2 上与当前最优方法进行比较以验证我们的模型。
引用
@article{arxiv.2011.01077,
title = {Image Inpainting with Learnable Feature Imputation},
author = {Håkon Hukkelås and Frank Lindseth and Rudolf Mester},
journal= {arXiv preprint arXiv:2011.01077},
year = {2020}
}