通过逐步扩大掩码区域学习图像修复
计算机视觉与模式识别
2020-02-24 v1
摘要
图像修复是计算机视觉中最具挑战性的任务之一。近年来，基于生成模型的图像修复方法已被证明能够生成视觉上合理的图像。然而，随着掩码区域变大，它们仍难以生成正确的结构与颜色。这一缺陷源于生成模型的训练稳定性问题。本文在图像修复背景下提出了一种新的课程式训练方法。所提方法在训练时逐步增大掩码区域尺寸，而在测试时用户可给定任意位置的变尺寸和多处孔洞。将该方法融入 GAN 中可稳定训练，并提供更好的颜色一致性以及捕捉物体连续性。我们在 MSCOCO 和 CelebA 数据集上验证了该方法。我们报告了不同模型中我们训练方法的定性与定量比较。
引用
@article{arxiv.2002.09280,
title = {Learning to Inpaint by Progressively Growing the Mask Regions},
author = {Mohamed Abbas Hedjazi and Yakup Genc},
journal= {arXiv preprint arXiv:2002.09280},
year = {2020}
}
备注
ICCV Workshop on Should we preregister experiments in computer vision?, Seoul, South Korea, 2019