图像修复相关论文学习（1）

 

一枚渣渣的学习记录~

写在前面：提到的论文都是从知网下载的，并且标明题目及作者，该贴目的纯属学习研究以便后期整理学习资料。

1、赵立怡. 基于生成式对抗网络的图像修复算法研究[D]. [出版地不详]: 西安理工大学, 2018.

训练数据集： Large-scale CelebFaces Attributes (CelebA)。该数据集是香港中文大学多媒体实验室公开的大型人脸属性数据集，共包含 20 万张名人图像，每一张都包含 40 个二进制属性注释，该数据集涵盖了相当大的人体姿态变化以及背景噪声，具有丰富的多样性。其中该数据库一共包含 10177 个身份，202599 张人脸图像。由于本文采用 Wasserstein  生成式对抗网络训练数据，属于典型的非监督学习算法，所以不使用文件夹 Anno(标签注释)和 Eval(评估分区)下的数据，只使用 img 文件夹下 img_align_celeba.zip 中的数据。

测试数据集：测试集采用 LFW 数据集，该数据集一共包含 5749 个人，13233 张图片，利用这些图片完成图像修复任务和评价图像修复算法的性能。由于 WGAN 网络训练采用的是CelebA 数据集，不会与 LFW 数据库产生交集，所以使用 LFW 数据集作为测试集完成图像修复具有较高的可靠性。

预处理：检测人脸算法->

研究内容：马赛克缺失、图像80%缺失、中央缺失、侧脸缺失、随机噪声、图像生成。

算法：wgan

评价方法：snr、psnr、mse。

参数设置：epoch 表示训练轮数是 25；learning_rate 表示学习率为 0.0002；betal 表示动量（参数移动平均数）为 0.5；train_size 表示训练图像尺寸，默认无限大正数；batch_size 表示图像批大小 64；image_size 表示输入图像大小为 64；dataset 为 CelebA  数据集；checkpoint_dir 表示检查点目录名；sample_dir 表示图片样本保存目录名。

实验结果：

缺失类型修复算法  WGAN  DCGAN  CE  Texture

center                    35.6         21.3     19.4   10.7

left                        32.3          15.5     13.7    9.7

mask                     29.3          16.4       *        *

random                  37.1          27.6    29.8   14.8

80%                       30.2           15.8      *        *