论文精度 —— 2017 ACM《Globally and Locally Consistent Image Completion》

总述

作者受到了Inpainting开山之作《Context Encoders: Feature Learning by Inpainting》（2016 CVPR）的启发，沿用了它的编码器-解码器结构，创新地提出了鉴别器，作者使用全局鉴别器和局部鉴别器，顾名思义，全局鉴别器可以保证整个图片的全局效果，而局部鉴别器包括被抠除的区域及其周围较小的区域。此外，为了保证补全效果的连贯性，作者还对后处理过程进行了阐述以及fine-tune的建议。（作者还指出GAN最主要的问题之一就是不稳定性，作者的网络可以改善）
注：批斗一下CE方法：2016 CVPR的开山之作CE ，（1）并没有完全描述如何处理任意修复掩码，也没有完全描述如何将该方法应用于高分辨率图像。（2）只能处理固定大小的图像，而作者的方法能处理任意尺寸的图像，而且在语义和纹理上都取得了比它更好的效果。（3）（续1）那个开山之作不能处理高分辨率的图像，我们通过使用完全卷积网络扩展他们的工作以处理任意分辨率，并通过同时使用全局和局部鉴别器显着提高视觉质量。

一、方法详述

1. 网络结构

如上图所示，