【论文解读】Generative Image Inpainting with Contextual Attention

最新推荐文章于 2024-02-06 15:52:50 发布
最新推荐文章于 2024-02-06 15:52:50 发布
阅读量730 收藏 1
点赞数
分类专栏： 论文解读 文章标签： Inpainting
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_37767666/article/details/102604483
版权

摘要

  • contextual attention layer
  • 一些train的技巧

网络结构

结构

Coarse-to-Fine 由粗到细

粗网络只用重建loss训练，细网络用GAN+重构网络训练；

LOSS的具体表达式

挖个坑，有点难。。。

Contextual Attention Layer

CA Layer能够学习修复过程中所依赖的特征位置，而且可端到端训练。
在这里插入图片描述

在背景（留下来的部分）中选取一个小块( 3 × 3 3\times 3

最低0.47元/天 解锁文章
Qi1999
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
generative_inpainting-master.zip
09-02
本文将详细介绍"Generative Image Inpainting With Contextual Attention"论文所提出的生成式图像修复方法，并结合"generative_inpainting-master.zip"压缩包中的源代码进行解析。 该论文的核心思想是利用生成式...
generative-inpainting-pytorch:PyTorch重新实现具有上下文注意的纸张生成图像修复（https
05-24
生成绘画火炬 根据作者的，对PyTorch重新。 先决条件 该代码已经在Ubuntu 14.04上进行了测试，以下是需要... --image examples/imagenet/imagenet_patches_ILSVRC2012_val_00008210_input.png \ --mask examples/cen
2024图像消除相关论文大集合
最新发布
春秋战车
02-06 1145
尽管图像消除技术取得了显著的进展，但仍存在一些挑战和问题需要解决： 处理速度与精度的平衡：目前大多数图像消除算法在处理速度和精度之间存在一定的权衡。如何提高处理速度的同时保证精度是亟待解决的问题。针对这一问题，可以尝试使用更加高效的算法和硬件加速技术来优化图像消除过程。 细节保留和边缘处理：在图像消除过程中，如何保留关键细节并避免边缘模糊是另一个挑战。可以考虑采用结构相似性度量准则和优化算法来解决这一问题，提高图像消除后细节保留度和边缘清晰度。
Learning Pyramid-Context Encoder Network for High-Quality Image Inpainting论文笔记
weixin_43399489的博客
07-18 515
现有方法不能结合直接可视信息和深层语义信息。 1. patch search等方缺少法高层语义一致性的理解。 2. generative models的stacked constructions和poolings存在over-smooth, lack of visually-realistic等问题。
论文翻译阅读_Generative Image Inpainting with Adversarial Edge Learning
qq_37937847的博客
04-29 1131
引言Abstract 在过去的几年，深度学习技术使得图像修复领域产生了很大的进步。然而，很多技术仍然还是重建合理的结构，因为他们通常都过度平滑了图像或者模糊。这篇文章针对图像修复提出了新的方法，它能够较好地再现充满细节的区域。提出了两阶段的生成对抗模型 Edge Connect,该模型包含一个边缘生成器和一个图像修复网络。边缘生成器可以预测出缺失区域的边缘信息，而修复网络将边缘生成器预测得到的边缘信息作为先验信息来完成对缺失区域的修复。我们在公开可用的数据集CelebA、Places2和Paris Stre
Generative Image Inpainting with Contextual Attention
qq_40700490的博客
08-07 921
1. Motivation 传统方法要求图像之中的patch之间存在相似性； 卷积神经网络不能有效的从图像较远的区域提取信息。 2. Approach 2.1Network architecture Overview of our improved generative inpainting framework. 生成器：包括两个网络，一个粗糙网络，一个改良网络，粗糙网络用重构损失训练，改良网络重构损失和 GAN的损失训练； 判别器：两个，一个局部，一个整体，都是基于 WGAN-GP【1】。.
generative_inpainting：具有上下文注意和门控卷积的DeepFill v1v2，CVPR 2018和ICCV 2019 Oral
02-06
生成图像修复 一个用于生成图像修复任务的开源框架，并得到（CVPR 2018）和（ICCV 2019 Oral）的支持。 有关先前版本（DeepFill v1）的代码，请检出分支 。 | | | | | | 我们构建在门控卷积上的系统可实现自由...
High resolution SAR image synthesis with hierarchical generative adversarial networks
02-07
High resolution SAR image synthesis with hierarchical generative adversarial networks
Inpainting of Remote Sensing SST Images with Deep Convolutional Generative-发表论文
01-04
Inpainting of Remote Sensing SST Images with Deep Convolutional Generative-发表论文
GCGAN: Generative Adversarial Nets with Graph CNN for Network-Scale Traffic Prediction
02-08
GCGAN: Generative Adversarial Nets with Graph CNN for Network-Scale Traffic Prediction
行人重识别论文解读报告
09-19
图像分析与机器视觉课程作业，是一篇关于行人重识别的论文《Joint Discriminative and Generative Learning for Person Re-identification》的解读报告。
论文笔记Generative Visual Manipulation on the Natural Image Manifold
11-10
Generative Visual Manipulation on the Natural Image Manifold论文介绍，笔记
Raindrop-Removal-With-Light-Field-Image-Using-Image-Inpainting
03-27
"Raindrop-Removal-With-Light-Field-Image-Using-Image-Inpainting"项目正是针对这一问题，通过光场图像和图像修复技术（即图像 inpainting）来去除雨滴，恢复清晰的图像。 光场图像是一种捕捉场景全方位信息的...
Ensembling with Deep Generative Views.pdf
11-16
【Ensembling with Deep Generative Views】这篇论文是2021年CVPR会议上的一篇研究，主要探讨了如何利用深度生成模型，特别是StyleGAN2，为图像分类等计算机视觉任务生成增强视图，并通过集成（ensembling）这些视图...
图像修复DeepFillv1：Generative Image Inpainting with Contextual Attention（CVPR2018）
weixin_42923416的博客
10-04 1755
Paper：https://arxiv.org/pdf/1801.07892.pdf Code：https://github.com/JiahuiYu/generative_inpainting/tree/v1.0.0 基于 S. Iizuka, E. Simo-Serra, and H. Ishikawa. Globally and locally consistent image completion. ACM Transactions on Graphics (TOG), 36(4):107, 201
EdgeConnect: Generative Image Inpainting with Adversarial Edge Learning
qq_40700490的博客
08-26 2061
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 Im
CVPR 2018 | Generative Image Inpainting with Contextual Attention 阅读笔记（翻译）
ybacm的博客
08-20 891
Generative Image Inpainting with Contextual Attention 作者：Jiahui Yu1^11 Zhe Lin2^22 Jimei Yang2^22 Xiaohui Shen2^22 Xin Lu2^22 Thomas S. Huang1^11 单位：1^11University of Illinois at Urbana-Champaign 2^22Adobe Research 会议：CVPR 2018 Abstract 最近的基于深度学习
基于深度学习的Image Inpainting (图像修复)论文推荐(持续更新)
热门推荐
Gavinmiaoc的博客
06-25 5万+
传统的图形学和视觉的研究方法，主要还是基于数学和物理的方法。然而随着近几年深度学习在视觉领域取得的卓越的效果，视觉领域研究的前沿已经基本被深度学习占领。在这样的形势之下，越来越多的图形学研究者也开始将目光投向深度学习。在图形学和视觉交叉的领域，一系列问题的研究正在围绕深度学习火热展开，特别是在图像编辑(image editing)和图像生成(image generation)方面，已经初见成...
Image Blind Denoising With Generative Adversarial Network Based Noise Modeling
05-05
该论文提出了一种基于生成对抗网络的噪声建模的图像盲去噪方法。传统的图像去噪方法需要事先了解噪声的统计特性，但在实际应用中很难获得这些信息。本文提出的方法使用生成对抗网络来建模噪声分布，从而可以对任意...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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