面向分布外图像修复的测试时自适应
计算机视觉与模式识别
2021-06-24 v2
摘要
基于深度学习的图像修复算法通过从大量外部自然图像中学习到的强大先验展现出优异性能。然而，当测试图像的分布远离训练图像分布时，由于模型偏向于训练图像，它们会给出不令人满意的结果。本文提出一种带有测试时自适应的简单图像修复算法，名为AdaFill。给定单张分布外测试图像，我们的目标比预训练修复模型更自然地补全孔洞区域。为实现该目标，我们将测试图像中保留的有效区域视为额外的训练线索，因为自然图像具有强内部相似性。通过这种测试时自适应，我们的网络既能利用预训练特征中外部学习的图像先验，也能显式利用测试图像的内部先验。实验结果表明，AdaFill在各种分布外测试图像上优于其他模型。此外，名为ZeroFill的未预训练模型有时也优于预训练模型。
引用
@article{arxiv.2102.01360,
title = {Test-Time Adaptation for Out-of-distributed Image Inpainting},
author = {Chajin Shin and Taeoh Kim and Sangjin Lee and Sangyoun Lee},
journal= {arXiv preprint arXiv:2102.01360},
year = {2021}
}
备注
ICIP 2021 Accepted