图像补全(image inpainting)

图像补全(image inpainting)要求算法根据图像自身或图像库信息来补全待修复图像的缺失区域,使得修复后的图像看起来非常自然,难以和未受损的图像区分开。根据恐怖谷理论,只要填补内容和未受损区域有细微的不协调,就会非常显眼。因此高质量的图像补全不仅要求生成的内容语义合理,还要求生成的图像纹理足够清晰真实。

目前最好的图像补全的方法主要分为两类:一类是经典的纹理合成方法,核心是从图像的未受损区域采样相似像素块填充待补全区域。另一类是基于神经网络的生成模型,该方法将图像编码成高维隐空间的特征,再从这个特征解码成一张修复后的全图。然而,这两种方法在保证语义合理和纹理清晰的要求上都有其局限性。

个人感觉这是一个很有意思的topic,以后会了解,先mark下来

Learning Pyramid-Context Encoder Network for High-Quality Image Inpainting

上面论文也出现了multi-scale的思路。后面会专门针对该论文写一篇笔记

你可能感兴趣的:(inpainting)