Face Image Inpainting Network based on Dense Multi-Scale Fusion of Local Binary Patterns——2021

最新推荐文章于 2022-03-19 18:42:56 发布

SyddChao

最新推荐文章于 2022-03-19 18:42:56 发布

阅读量350

点赞数

分类专栏： Inpainting

本文链接：https://blog.csdn.net/chaowang__/article/details/117715120

版权

Inpainting 专栏收录该内容

9 篇文章 5 订阅

订阅专栏

Face Image Inpainting Network based on Dense Multi-Scale Fusion of Local Binary Patterns——2021

Introduction
Method
Expriment

Introduction

this paper propose a face inpainting network based on dense multi-scale fusion of local binary patterns (DMFLBP), which is implemented by combining the local binary pattern (LBP) learning network with the actual inpainting network.

提出一种结合密集多尺度融合块的LBP学习网络，为修复任务提供结构信息。
利用修复网络中的双向跳过连接机制，实现低层视觉特征和高层语义特征的灵活聚合，实现更好的修复功能。

Method

在这里插入图片描述

Dense Multi-Scale Fusion LBP Learning Network

LBP包含更丰富的结构信息，提取方法简单，不像其他结构信息(轮廓信息、边缘信息等)。)提取需要预滤波强度、边缘响应阈值等参数。因此，第一个网络使用的稠密多尺度融合块提取了更多的LBP信息，可以更好地指导修复网络重构图像。稠密多尺度融合LBP学习网络包括生成器G1和鉴别器D1。在G1，为了扩大接收区域和增加神经元的感受野，使用了密集的多尺度融合块(DMFB)，这也减少了繁重的模型参数。致密多尺度融合块的结构如图2所示。一般来说，DMFB左侧的特征被分成4个卷积分支，每个分支具有不同的扩展速率(1，2，4，8)，以提取多尺度特征。在D1，我们使用Patch-GAN的全卷积鉴别器架构。在这里插入图片描述

Loss

multi-level penalty loss functio
在这里插入图片描述
reconstruction loss

aderversial loss