python2.7图像局部增强_10篇必读深度图像修复文章，珍贵老照片有救了

专注Python、AI、大数据，请关注公众号七步编程！

照片，在大家生活中扮演者非常重要的角色。

难忘的瞬间、美好的风景、珍贵的回忆，我们总喜欢用照片把它保留下来。

但是，瑕疵、水印、遮挡、涂鸦这些让美好蒙上了一层阴影。

当我们在网络上看到一张喜欢的照片，想要拿来做头像或者电脑手机壁纸，发现在某些地方存在一些瑕疵，最后只能作罢。

针对这类问题，相关工具可谓是层出不穷。

但是，目前市面上绝大多数工具都只用了简单的数字图像处理技术，在处理效果方面不堪入目。

如果选择应用Photoshop，这对于很多人来说又存在着很高的门槛。

这几年AI技术得到越来越普遍的应用，何不利用这些开源免费的项目来实现图像修复呢?

图像修补就是填充图像中缺少的像素，以使得图像看起来逼真并符合上下文信息。

给定上面左图所示的有损坏、遮罩的输入图像。对于有效、真实像素，我们可以直接复制有效像素并将其粘贴到填充图像的相应位置。对于无效/缺失的像素，可以通过算法去填充。

要在图像中填充一些缺失的部分，最简单的方法是复制并粘贴。核心思想是，首先从图像本身的剩余像素或包含数百万个图像的大型数据集中搜索最相似的图像补丁，然后将补丁直接粘贴到缺失的部分上。但是，搜索算法可能很耗时，并且涉及手工制作的距离测量指标。它的泛化和效率仍有很大的改进空间。

由于基于深度学习的方法和大数据时代的到来，我们现在可以拥有基于数据驱动的基于深度学习的图像修复方法，该方法可以在图像中生成具有良好全局一致性和局部精细纹理的缺失像素。在本文中，我们将重点介绍10种著名的基于深度学习的修复方法。

下面，就让我们开始吧！

Context Encoder (2016)

Context Encoder[1] (CE, 2016) 是第一篇将GAN应用于图像修复的文章。

本文为图像修复任务提出了一些有用的基本概念。术语“上下文”涉及对整个图像本身的理解，CE的核心思想是Channel-wise Fully Connected Layer(网络中的中间层，如上图所示)。

类似于标准的全连接层，它的要点是，上一层的所有要素位置将对当前层的每个要素位置有所贡献。通过这样做，网络可以学习所有特征位置之间的关系，并且可以获得对整个图像的更深层的语义理解。

CE目前已被视为基准算法。