论文精度 —— 2017 CVPR 《Semantic Image Inpainting with Deep Generative Models》

综述

该论文还是继承开山之作的CE方法，CE方法只能对中心有较小缺失图像进行补全，而对随机缺失的情形补全效果不理想，本论文对此进行了改进，使用带权重的l1损失和先验损失组成的联合损失，使得补全结果相比于CE算法以及之前的算法有了一定的提升。

一、方法详述

1. 背景

作者首先列举了几个之前的方法（TV方法，一般适用于填充较小的缺失区域或者消除较少的噪声，原理是使得图像更见平滑），这几个方法只能处理较小的缺失区域，而对于较大的缺失区域无能为力。（个人认为，这几个方法都只是注重了局部特征，即只考虑局部的连续性，没有考虑全局的 语义）。和其他论文一样，批斗了一下基于Patch的方法，不做赘述。因此，作者在此基础上进行了改进。

2. 损失函数

本人感觉这篇文章没啥创新点其实，主要就是改进了一下损失函数，还不是完全改进
作者使用将上下文损失和先验损失结合起来的联合损失，上下文损失主要使得局部平滑连续，作者受到L2 Loss的启发，L2损失使得局部较为平均（但可能导致模糊，作者可能没想到），考虑到L2 Loss是对生成的图片和未损失部分取二范数，也就是对每个像素都一视同仁，这是不合理的，因为距离缺失区域很远的像素大概率对补全像素影响很小，因此作者引入了权值来改善