专注于AI领域前沿技术学习与分享：目标检测、图像修复、超分重建、AI工程化

Recurrent Feature Reasoning for Image InpaintingRecurrent Feature Reasoning for Image Inpainting| 环境搭建 | 简记 （上）本文接上篇博文，对该论文代码做简要分析：前言：该论文对应代码，脉络清晰，结构完整，在此向作者表达敬意，粗浅分析，有不足之处，还望各位看官多多指正！我们这里采用 coarse-to-fine （先整体，后局部）的策略来对该代码和网络结构对应关系进行解析；一，我们注意到作.

环境搭建和预训练模型测试请查阅–测试运行|简记（上）本博文讲解该论文对应代码，模型训练设置过程：本次训练使用数据：数据集：CMP Facade Database数据集下载路径： http://cmp.felk.cvut.cz/~tylecr1/facade/训练数据 320 张 jpg测试数据 80 张 jpg训练时命令如下：nohup python train.py -c configs/facade.json -n pennet -m square -s 256 &am

Learning Pyramid-Context Encoder Network for High-Quality Image Inpainting论文地址gitHub代码-pytorch备注：本博文只对该代码进行环境搭建和测试部分进行示例，精力有限，暂不做解析；环境搭建：服务器：ubuntu1~18.04 Quadro RTX 5000 16GCUDA版本 V10.0.130conda create -n torch11 python=3.6.9conda activate tor.

Recurrent Feature Reasoning for Image Inpainting环境搭建：服务器：ubuntu1~18.04 Quadro RTX 5000 16GCUDA版本 V10.0.130conda create -n torch11 python=3.6.9

专栏博文推荐查阅顺序，图像修复，我的学习经验、资料分享

EdgeConnect: Generative Image Inpainting with Adversarial Edge Learninghttps://github.com/knazeri/edge-connect环境搭建：服务器：ubuntu1~18.04 Quadro RTX 5000 16GCUDA版本 V10.0.130conda create -n torch11 python=3.6.9conda activate torch11

图像修复ICCV 2021文章测评：代码简洁、很直观,没有注意到，论文是否提到 BaseLine ，不过感觉就是 似曾相识，可能是之前看的论文太多了, 网络结构、大体就是那样、变过来、变过去、细节决定 提升效果

详细测评教程：CVPR 2021，实时恢复极暗的图像从而改进目标检测，图像修复新的一种研究创作思路

该网络能够生成具有高度多样性的合理结构、CVPR 2021: "Generating Diverse Structure for Image Inpainting With Hierarchical VQ-VAE" 测试教程

Image inpainting based on deep learning - A review【图像修复 2021 最新综述】 基本信息摘要1. Introduction2. Related works3. Image inpainting methods based on deep learning4. Image inpainting datasets5. Discussion and analysis6. Conclusions致谢

需求：通过图像模糊度判定过滤部分摄像头拍摄的人脸图像主要高质量参考博文 – 人脸识别图像的模糊度判别测试代码，朴素实现如下：import cv2def variance_of_laplacian(image): return cv2.Laplacian(image, cv2.CV_64F).var() imagePath = "test.jpg"image = cv2.imread(imagePath)gray = cv2.cvtColor(image, cv2.COLO.

精简记录 – 图像处理与分析 图像处理的例子图像对比度增强图像降噪图像去模糊图像修复图像分割

图像修复领域六大经典数据集

在做图像修复的研究梳理期间，有不少小伙伴一起探讨交流了若干新人会遇到的常规困惑，一些简单心得，本博文做简单总结，以供后续像我们这样的新入门和换方向的同学参考

本文当前，还很粗糙，谨慎查阅后续看到相关资料再更新摘自 论文 Generative Image Inpainting with Contextual Attentionour inpainting network is designed in a thin and deep scheme for efficiency purpose and has fewer parameters than the one in[15].为了提高网络的效率，我们设计了一个细（窄）而深的修复网络模型，并且比现有.

Google Street View Data Set 主页 ：https://www.crcv.ucf.edu/projects/GMCP_Geolocalization/Google Street View dataset 包含62,058张高质量的Google街景图像，

作者：墨理 | braveMoSan订阅蚝：墨理三生感谢您的关注，为同志的不白飘 – 点赞Image Inpainting with Learnable Bidirectional Attention Maps本博文所运行项目代码链接如下：https://github.com/Vious/LBAM_Pytorch对应论文链接：https://openaccess.thecvf.com/content_ICCV_2019/papers/Xie_Image_Inpainting_With_.

这是一篇经典的图像去噪文章的简单测试

Exploiting Deep Generative Prior for Versatile Image Restoration and Manipulationhttps://arxiv.org/abs/2003.13659https://github.com/XingangPan/deep-generative-prior实现通用的图像复原与编辑—原作者—https://zhuanlan.zhihu.com/p/165050802知乎参考链接二AbstractLearning a good

简要翻译，粗浅学习记录解析请参考这篇文章Prior Guided GAN Based Semantic Inpaintinghttps://openaccess.thecvf.com/content_CVPR_2020/papers/Lahiri_Prior_Guided_GAN_Based_Semantic_Inpainting_CVPR_2020_paper.pdfAbstract  当代基于深度学习的语义修复可以从两个方向进行。 首先，也是经过更深入探索的方法是，通过对抗性训练进行额.

Foreground-aware Image InpaintingAbstract  现有的图像修复方法通常通过从周围像素中借用信息来填充孔。当孔与前景对象重叠或接触前景对象时，由于缺少有关孔内前景和背景区域实际范围的信息，它们通常会产生不令人满意的结果。但是，这些情况在实践中非常重要，特别是对于诸如分散物体的移除等应用。为了解决该问题，我们提出了一种前景感知的图像修复系统，该系统可明确区分（解耦）结构推断和内容完成。具体来说，我们的模型首先学习预测前景轮廓，然后使用预测轮廓作为指导来修补缺失区域。我

Pluralistic Image CompletionAbstract  尽管可能存在许多合理的可能性，但是大多数图像完成方法对于每个 masked input 仅产生一个结果。在本文中，我们提出了一种用于多元图像补全的方法-生成用于图像补全的多个可行结果的任务。基于学习的方法面临的主要挑战是每个标签通常只有一个真实原图训练实例。因此，从有条件的VAE采样仍然导致最小的多样性。  为了克服这个问题，我们提出了一种新颖且基于概率原理的框架，该框架具有两条平行的路径。   One is a re

High-Resolution Image Inpainting with Iterative Confidence Feedback and Guided Upsampling论文该论文主页api 效果测试:http://47.57.135.203:2333/

2019 Progressive Reconstruction of Visual Structure for Image InpaintinggitHub官方代码-pytorch题外话：以下三篇论文，均出自于：武汉大学 Sigma （ Sensing IntelliGence and MAchine learning group） —— 智能感知与机器学习组；2019–Progressive Reconstruction of Visual Structure for Image Inpai.

MethodArchitecturetypetimeImage Inpainting for Irregular Holes Using Partial Convolutionsencoder-decoder + Partial Convolutions不规则洞2018基于动差重构损失的模范生成对抗网络（ExMRGAN）动差重构损失 GAN眼部遮挡修复2019Learning Pyramid-Context Encoder Network for High...

Image Inpainting | coarse-to-fine 网络精进总结Generative Image Inpainting with Contextual Attention --2018Free-Form Image Inpainting with Gated Convolution --2019优秀解析–知乎PEPSI : Fast Image Inpainting with Parallel Decoding Network --20191: PEPSI 网.

这篇文章：主要介绍 PEPSI 网络 本身 以及 各个子模块改进点 和 具体改进分析、PEPSI 网络本身结构的改进： 编码器共享、粗路径和精细路径 部分参数共享，联合训练编码器，使得编码器得到的编码 适用于 粗路径和精细路径；

Instance-aware Image Colorization、图像着色

3D Photography using Context-aware Layered Depth Inpainting 代码测试

论文：Contextual Residual Aggregation for Ultra High-Resolution Image Inpainting代码：https://github.com/Atlas200dk/sample-imageinpainting-HiFill环境搭建：conda create -n tf13 python=3.6.6conda activate tf13pip install tensorflow-gpu==1.13.2pip install .