MGAN-CRCM：一种基于多个生成对抗网络和粗到细的感知式图像填充方法
计算机视觉与模式识别
2024-12-30 v1 机器学习
图像与视频处理
摘要
图像填充是计算机视觉中用于重建图像中缺失或损坏像素的常用技术。近期采用生成对抗网络 (GAN) 的进展显示，其深度学习能力和在不同图像领域中的适应性优于传统方法。残差网络 (ResNet) 也因其增强特征表示与与其他体系结构兼容的能力而受到青睐。本文提出一种新型体系结构，将GAN和ResNet模型结合以提高图像填充效果。我们的框架集成了三个组件：基于转置卷积的GAN用于引导和盲填充、基于快速ResNet卷积神经网络 (FR-CNN) 用于物体去除，以及Co-Modulation GAN (Co-Mod GAN) 用于细化。在基准数据集上评估了该模型，分别在ImageNet、Places2和CelebA上的准确率分别为96.59%、96.70%和96.16%。定性和定量分析表明，所提出的体系结构优于现有方法，凸显其在图像填充中的有效性。
引用
@article{arxiv.2412.19000,
title = {MGAN-CRCM: A Novel Multiple Generative Adversarial Network and Coarse-Refinement Based Cognizant Method for Image Inpainting},
author = {Nafiz Al Asad and Md. Appel Mahmud Pranto and Shbiruzzaman Shiam and Musaddeq Mahmud Akand and Mohammad Abu Yousuf and Khondokar Fida Hasan and Mohammad Ali Moni},
journal= {arXiv preprint arXiv:2412.19000},
year = {2024}
}
备注
34 pages