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