内卷思考：通过结构恢复纹理——全局与局部侧
计算机视觉与模式识别
2026-02-04 v1
摘要
图像填充技术取得了显著进展，这得益于编码器-解码器结构，由卷积神经网络（CNN）中的卷积下采样在编码器中对遮盖区域进行语义填充，同时通过解码器的上采样过程得到最终的填充输出。近期研究直观地认为，CNN从编码器中提取的高频结构和低频纹理，用于实现理想的上采样恢复。然而，现有方法不可避免地忽略了在卷积下采样过程中对结构和纹理特征图信息的损失，从而导致非理想的上采样输出。本文系统性地回答了在卷积下采样过程中，结构和纹理特征图是否及如何能够相互帮助以缓解信息损失的问题。给定结构和纹理特征图，我们采用统计归一化和反归一化策略，用于指导卷积下采样过程中的重建。大量实验结果验证了在分辨率从低到高（包括256×256和512×512）的图像上，我们方法相对于当前最先进技术的优势，尤其是在用我们自己的编码器取代所有编码器后表现更佳。我们的代码已公开：https://github.com/htyjers/ConvInpaint-TSGL
引用
@article{arxiv.2602.03013,
title = {Thinking inside the Convolution for Image Inpainting: Reconstructing Texture via Structure under Global and Local Side},
author = {Haipeng Liu and Yang Wang and Biao Qian and Yong Rui and Meng Wang},
journal= {arXiv preprint arXiv:2602.03013},
year = {2026}
}
备注
17 pages, 17 figures