1. Motivation
- 传统方法不能很好的重建复杂的细节部分,不能处理大规模确实的图片‘
- 生成的图像通常会产生模糊,不协调的区域。
2. Approach
2.1 Network structure
整个网络有两部分组成,前半部分用于生成图像的边缘,第二部分基于预测的边缘对缺失图像进行补全。
2.2 Loss function
- Edge generator:
对抗损失:
特征匹配损失:
最终的损失:这里采用的是边缘生成网络部分中的判别器中的feature maps
- Image completion network:
对抗损失:
重构损失:范数
感知损失:
风格损失:
最终损失:
3. Discussion
现在看感觉整篇论文的结构比较简单,主要贡献就是充分利用的边缘的信息,边缘生成器对图像的补全结果有一定提升。
4. References
【1】Nazeri, Kamyar, et al. "Edgeconnect: Generative image inpainting with adversarial edge learning." arXiv preprint arXiv:1901.00212 (2019).