人工智能论文精度|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。
人工智能论文精度|论文精度 —— 2017 ACM《Globally and Locally Consistent Image Completion》
文章图片

一、方法详述 1. 网络结构 【人工智能论文精度|论文精度 —— 2017 ACM《Globally and Locally Consistent Image Completion》】人工智能论文精度|论文精度 —— 2017 ACM《Globally and Locally Consistent Image Completion》
文章图片

如上图所示,

    推荐阅读