有的放矢的渐进式修复：通过上下文与结构引导渐进式图像修复深度神经网络
计算机视觉与模式识别
2023-01-05 v2
摘要
过去十年深度学习的出现显著推动了图像修复的发展。尽管取得了令人瞩目的性能，基于深度学习的修复算法仍受困于结构与上下文特征融合所引起的失真，而这些特征通常分别来自卷积编码器的深层与浅层。受此观察启发，我们提出了一种新颖的渐进式修复网络，以保持处理图像的结构与上下文完整性。更具体地，受高斯金字塔与拉普拉斯金字塔的启发，所提网络的核心是一个名为 GLE 的特征提取模块。堆叠 GLE 模块使网络能够从不同的图像频率分量中提取图像特征。这一能力对于保持结构与上下文完整性至关重要，因为高频分量对应结构信息，而低频分量对应上下文信息。所提网络利用 GLE 特征以迭代方式渐进式地填补受损图像中的缺失区域。我们的基准实验表明，相较于许多最先进的修复算法，所提方法在性能上取得了明显提升。
引用
@article{arxiv.2209.10071,
title = {Progressive with Purpose: Guiding Progressive Inpainting DNNs through Context and Structure},
author = {Kangdi Shi and Muhammad Alrabeiah and Jun Chen},
journal= {arXiv preprint arXiv:2209.10071},
year = {2023}
}