In-N-Out：面向修复与外推的良好初始化
计算机视觉与模式识别
2021-09-20 v3
摘要
在计算机视觉中，通过填充被掩码区域来恢复空间信息（例如修复）因其可用性及对其他多种应用的广泛适用性而受到广泛研究：图像修复、图像外推以及环境贴图估计。其中大多数根据应用被分别研究。然而，我们的关注点在于适配相反任务，例如图像外推，这将有益于目标应用，例如图像修复。我们的自监督方法 In-N-Out 可概括为一种将相反任务的知识引入目标模型的训练方法。我们通过经验表明，探索互补信息的 In-N-Out 相比仅在训练中进行特定任务学习的传统流程具有明显优势。在实验中，我们将我们的方法与传统流程进行比较，并分析了我们的方法在不同应用上的有效性：图像修复、图像外推以及环境贴图估计。对于这些任务，我们证明了 In-N-Out 通过将 In-N-Out 自监督加入其训练流程，持续提升了近期工作的性能。此外，我们表明我们的方法比现有的外推训练方法取得了更好的结果。
引用
@article{arxiv.2106.13953,
title = {In-N-Out: Towards Good Initialization for Inpainting and Outpainting},
author = {Changho Jo and Woobin Im and Sung-Eui Yoon},
journal= {arXiv preprint arXiv:2106.13953},
year = {2021}
}
备注
14 pages (10 pages without references), 7 figures