Dynamic Selection Network for Image Inpainting（IEEE TIP）

Introduction

  当前的修复结果生成伪像、扭曲的结构和模糊的纹理，尤其是当背景复杂或缺失区域巨大，效果更不可观。
  普通卷积的缺陷：网络学习和推理阶段卷积特征的不稳定性：由于输入中不可预测的损坏区域，卷积核很难从输入中一致地捕获信息，即修复模型的卷积特征图中的相同特征值可能代表完全不同的东西。这些不稳定的特征会误导网络的推理过程，并产生不理想的结果。为了缓解这种不稳定性，一种简单的方法是执行边界特征重新归一化，这种方法基于用于生成特征的有效像素的数量来重新缩放特征的值。另一种方法是使用动态选通选择来选择特征，过滤无效/低质量像素。
  PConv和GCONV在提高卷积特征图的稳定性方面取得了显著的效果，但是它们忽略了受损特征图和完整特征图之间的本质区别，即孔边界中有用信息的稀疏性。我们认为，与其简单地调整特征值，更重要的是恢复受损区域的丰富信息，并在网络的前向传递过程中精确而稳定地传递信息。