图像填充修复- 传统算法总结

从18年11月底开始看图像修复这个领域的文章，到复现何凯明大神的paper，目前传统领域的图像修复算法也大致了解了一些，做一个总结，后续应该不会再有时间精力去看图像修复的paper了。

总结

图像修复可以分为两种，一种是面积比较小的，通常称为inpainting，这种可以认为目前算法已经能处理得比较好了；另外一种则是面积相对大一些的，论文里面都称为Image Completion，也是图像修复的难点了。针对这些问题，目前看过的传统（除开深度学习的那种）主要有以下几种

1. 应用变分法对修复区域进行修复的，这种算法需要迭代，比较慢，效果也不是特别好，对于面积稍大的区域会产生明显的模糊效果。
2. 基于边界优先级的顺序填充算法，代表作就是Criminisi的paper，图像修复：Object Removal by Exemplar-Based Inpainting 学习笔记
3. 基于patch-vote的space-time Completion，对于每个点周围的patch进行投票作为该点的修复值，比较像non-local mean的感觉，效果也不错，adobe photoshop 5用的是这个算法。图像修复: PatchMatch与Space-Time completion
4. 基于offset的，用图割算法解多标签问题。这个只看了hekaiming的satistic of similar pat