基于深度学习的Image Inpainting (图像修复)论文整理与概述

为个人需要，整理一波这方面的论文。同时也参考了 山水之间整理的结果 ，非常感谢。

---

1. 《Context Encoders: Feature Learning by Inpainting》

CVPR 2016

链接：https://arxiv.org/abs/1604.07379

Github代码：

基于torch：https://github.com/pathak22/context-encoder

基于pytorch：https://github.com/BoyuanJiang/context_encoder_pytorch

主要贡献：

提出了基于上下文像素预测驱动的无监督视觉特征学习算法，通过利用周围图像信息来推断损失部分的图像信息。其贡献点在于对于大范围图像损失，传统方法已经无法满足修复要求，作者首次提出了基于CNN和GAN的修补方法，首次较好地解决了大范围图像损失修补问题。

主要思路：（CNN+GAN）

通过结合Encoder-Decoder网络结构和GAN，利用L2损失（Reconstruction Loss）和对抗损失（Adversarial Loss）来修复图像。Encoder-Decoder结构用来学习全局图像特征和推断损失部分，GAN部分用来判断预测推断的图片和真实图片。不过一个主要的区别是，这里GAN只固定Generator，试图通过极大化Loss来训练更强的Discriminator。当GAN无法区分两者的区别时，则默认为网络模型参数已经达到最有状态。