High-Resolution Image Inpainting using Multi-Scale Neural Patch Synthesis

最新推荐文章于 2023-12-05 14:08:49 发布

稀里糊涂林老冷

最新推荐文章于 2023-12-05 14:08:49 发布

阅读量319

点赞数

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_44996354/article/details/117553560

版权

在这里插入图片描述
CVPR 2017的文章，听说非常牛逼，后来很多方法都是借鉴了这个方法。

全局上下文和局部纹理共同约束来使用cnn方法进行补全
为了补全高分辨率的图像，从小分辨率开始向高分辨率进行多尺度逐尺度的恢复
利用了与训练模型中间层特征图构造损失来辅助补全任务。

The Approach

在这里插入图片描述

framework overview

The joint loss function

$x_0$ 输入图像
$x$ 期望输出图像
R 表示图像x中的洞
$R^{fy}$ 表示vgg19网络的特征图 $f y (x)$ 的对应的洞区域
$f y (x)$ x的特征图
h(.) 表示提取矩形子图或子特征图的操作
f 表示内容网络
t 表示纹理网络

例如
h(x, R) 返回 x图像R区域的内容
h(fy(x), Rfy) 返回特征图对应Rfy区域内容

对于每个尺度i，最佳的重建结果通过最小化如下来获得：
在这里插入图片描述

第一项
在这里插入图片描述

第二项
在这里插入图片描述
Pi 表示局部以i为中心的nerual patch，
nn(i)：

N(i) 是i的邻居

第三项
在这里插入图片描述

the content network

两部分，像素的l2损失和判别器损失
在这里插入图片描述

在这里插入图片描述

稀里糊涂林老冷

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
High-Resolution Image Inpainting using Multi-Scale Neural Patch Synthesis

CVPR 2017的文章，听说非常牛逼，后来很多方法都是借鉴了这个方法。全局上下文和局部纹理共同约束来使用cnn方法进行补全为了补全高分辨率的图像，从小分辨率开始向高分辨率进行多尺度逐尺度的恢复利用了与训练模型中间层特征图构造损失来辅助补全任务。The Approachframework overviewThe joint loss functionx0x_0x0 输入图像xxx 期望输出图像R 表示图像x中的洞RfyR^{fy}Rfy 表示vgg19网络的特征图 fy(x).
复制链接

扫一扫

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。