通过改进的 Wasserstein 生成对抗网络进行语义图像修复
计算机视觉与模式识别
2018-12-05 v1
摘要
图像修复是填充受损或不完整图像中缺失区域的任务。在这项工作中，我们不仅利用可用的视觉数据，还通过生成模型引入图像语义来解决此问题。我们的贡献有两方面：首先，我们通过训练一个改进版的 Wasserstein 生成对抗网络 (GAN) 来学习数据潜空间，为此我们采用了一种新的生成器和判别器架构。其次，将学习到的语义信息与一种新的用于修复的优化损失相结合，其最小化推断出由可用数据条件的缺失内容。它考虑了图像本身固有的强大上下文和感知内容。其优势包括能够通过累积语义信息来恢复大区域，即使这些信息在受损图像中并未完全呈现。实验表明，所提出的方法在不同实验情形下获得了定性和定量的顶级结果，并取得了可与最先进工作相媲美的准确照片级真实感。
引用
@article{arxiv.1812.01071,
title = {Semantic Image Inpainting Through Improved Wasserstein Generative Adversarial Networks},
author = {Patricia Vitoria and Joan Sintes and Coloma Ballester},
journal= {arXiv preprint arXiv:1812.01071},
year = {2018}
}
备注
Accepted as Oral Presentation in VISAPP 2019