通过强调缺失区域的复杂性改进深度图像修复

深度图像修复研究主要集中于构建各类神经网络架构或引入新的优化目标。然而，一方面，构建一个最先进的深度修复模型是极其复杂的任务，另一方面，由此带来的性能提升有时非常有限。我们认为，除了修复模型的框架外，常被忽视的轻量级传统图像处理技术实际上对这些深度模型有所帮助。本文中，我们利用经典的图像复杂性度量来增强深度图像修复模型。提出了一个由缺失复杂性与前向损失构成的知识辅助指标，以指导训练过程中的批次选择。该指标有助于在每次迭代中找到更利于优化的样本，并最终提升整体修复性能。所提方法简单，仅需改动几行代码即可插入到许多深度修复模型中。我们在多个数据集上通过实验证明了其对若干近期开发的图像修复模型的改进。