原文链接:Recurrent Feature Reasoning for Image Inpainting (CVPR 2020). Jingyuan Li, Ning Wang, Lefei Zhang, Bo Du, Dacheng Tao [Paper][Code]
本文创新点:
- 提出Recurrent Feature Reasoning (RFR) module,逐步修复缺失区域;
- 提出Knowledge Consistent Attention (KCA) module,确保每次修复信息的一致性。
网络结构
整体网络主要由三个部分构成:
- 区域识别模块:用于识别该递推中要推断的区域;
- 特征推理模块:推断识别区域内的内容;
- 自适应特征合并:用于合并中间特征图;
Area Identification(区域识别)
用部分卷积来识别在每个递归中要更新的区域。用部分卷积更新后的掩码M* 减去输入掩码M,即为本次循环中需要推理的区域。
Feature Reasoning(特征推理)
Knowledge Consistent Attention(知识一致注意力)
为第i 次循环输入的特征图。
首先,计算每对特征像素之间的余弦相似性;
然后,通过平均相邻区域中目标像素的相似度来平滑注意力得分;
再通过softmax生成(x,y) 的得分score' ;
如果,(x,y) 在上一次循环中是有效像素( ),
否则,
然后利用注意力得分重建特征图,
最后将输入特征F与重建特征 合并,
Feature Merging(特征合并)
只把有效像素做平均。
损失函数
感知损失
风格损失
总体损失
其中, 和 为重构损失(L1)。