论文阅读——Multi-Scale Image Contextual Attention Learning for Inpainting

原文链接:MUSICAL: Multi-Scale Image Contextual Attention Learning for Inpainting (IJCAI 2019). Wang, N., Li, J., Zhang, L., & Du, B. [Paper]

本文创新点:

  1. 提出了一种多尺度注意力模块,通过合并不同大小patch的注意力模块产生的特征图,捕捉多个尺度的信息。

网络结构

网络整体以U-Net为基础,一次性修复图像。

Multi-scale Attention Module

本文采用两种不同大小的patch(3*3,1*1)来计算注意力分数 。

首先计算缺失区域(foreground)和已知区域(background)的余弦相似度,

 其次,通过softmax层得到注意力分数s*

然后,进行注意力传播;

最后,用反卷积操作得到重构特征图 ,再将 进行拼接。

 为了确定当前图像中哪个层次的细节是最重要的,将拼接后的特征图输入到squeeze-and-excitation(SE)模块。最后,用像素卷积将特征图压缩到和输入相同的尺寸。

SE模块首先要计算特征图的平均池化值,然后利用全连接网络计算各个通道的权重。

整个模块可以用下式表示

 损失函数

感知损失

利用VGG16的pool1, pool2 和 pool3计算感知损失

风格损失

总体损失

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值