编辑推荐:
本文来自csdn,本文用的例子是脸部图像,但 DCGANs也可以被训练做其他类型的图像修复.
设计师和摄影师用内容自动填补来补充图像中不想要的或缺失的部分。与之相似的技术还有图像完善和修复。实现内容自动填补,图像完善和修复的方法有很多。本文介绍的是
Raymond Yeh 和 Chen Chen 等人的论文「Semantic Image Inpainting
with Perceptual and Contextual Losses」中的方法,此论文于 2016年
7月 26日 在 arXiv 上发表。这篇论文演示了如何通过一个 DCGAN 用深度学习进行图像修复。本文面向一般的技术读者,有部分深度内容针对有机器学习基础的人。
加 [ML-Heavy] 这个标记的部分如果你不想知道太多细节就可以跳过。本文案例用的是修补人脸图片缺失像素。
目录
介绍
第一步:把图像解析成概率分布中的样本点
第二步:快速生成伪造图像
第三步:找到修复图像的最佳伪造图片
结论
完成图像修复需要三步。
1. 我们首先要把图像解析成概率分布中的样本点
2. 这种解析让我们学习如何产生伪图像
3. 接着我们就能找到补全修复所需的最佳伪图像