基于深度学习的语义图像补全与增强
图像与视频处理
2020-01-07 v2 计算机视觉与模式识别
机器学习
摘要
在现实应用中，所使用的某些图像会受到损坏，即图像像素受损或缺失，这增加了计算机视觉任务的复杂度。本文提出一种深度学习架构来处理图像补全与增强。生成对抗网络（GAN）已被证明有助于图像补全任务。因此在 GAN 中，采用 Wasserstein GAN 架构进行图像补全，其生成粗补丁以填充失真图像中的缺失区域，增强网络将利用残差学习过程进一步细化所得图像，从而为计算机视觉应用提供更好的完整图像。实验结果表明，与近期报道的数据相比，所提方法将峰值信噪比和结构相似性指数值分别提升了 2.45% 和 4%。
引用
@article{arxiv.1911.02222,
title = {Semantic Image Completion and Enhancement using Deep Learning},
author = {Vaishnav Chandak and Priyansh Saxena and Manisha Pattanaik and Gaurav Kaushal},
journal= {arXiv preprint arXiv:1911.02222},
year = {2020}
}
备注
6 pages, 8 figures. Proceedings of "The 10th International Conference on Computing, Communication and Networking Technologies (ICCCNT)". Conference Proceedings ISBN Number: ISBN: 978-1-5386-5906-9; Link: https://ieeexplore.ieee.org/document/8944750