橙逸弦木-CSDN博客

原创改变电脑重启时默认的系统

例如我的电脑是ubuntu和windows双系统，之前电脑默认的系统是ubuntu，导致的问题是如果电脑意外重启，不手动选择系统的话，那么电脑就会自动进入ubuntu系统。

2023-09-07 17:45:11 111

原创 Learning Pyramid-Context Encoder Network for High-Quality Image Inpainting论文阅读笔记

本文采用了一种金字塔形的上下文编码器，在编码器的每个金字塔结构中，高级语义特征图包含了更抽象的语义信息，而低级特征图则包含了更具体的细节信息。通过引入注意力机制，编码器能够从高级特征图中学习到的关注点，并将这些关注点转移到低级特征图中，以增强低级特征图的表达能力。而语义连贯性则是指生成内容不仅在视觉上合理，而且在图像的语义上也具有连贯性，符合图像的整体语义结构。现有的方法要么通过复制图像补丁来填充区域，要么从区域上下文中生成语义一致的补丁，但是它们忽视了视觉和语义合理性都是非常重要的事实。

2023-09-07 17:35:51 82 1

原创 Free-Form Image Inpainting with Gated Convolution论文阅读笔记

作者指出，在partial convolution中，mask的更新不是很合理：只要存在一个有效的像素，就把mask更新为1，例如，1个有效的像素和9个有效的像素会导致同样的mask更新，这样不是很智能。在深层的网络中，partial convolution会逐渐失效，因为随着有效的像素越来越多，所有的mask都变为1。所有的通道共用同样的mask，这样会限制网络的灵活性。就是将gating的值变成每次可以学习的权重，每一层的gating都是根据上一层的feature来学习的。

2023-08-30 19:03:57 79 1

原创 EdgeConnect: Structure Guided Image Inpainting using Edge Prediction论文阅读笔记

训练生成器和判别器：作者首先训练边缘生成网络（生成器G1和判别器D1）使用Canny边缘图进行对抗性训练。然后，作者训练图像补全网络（生成器G2和判别器D2）使用生成的边缘图和不完整的彩色图像进行对抗性训练。首先，通过生成边缘图来预测缺失区域的图像结构，然后将预测的边缘图用于指导图像补全过程。第一阶段网络的输入是带有缺失区域的灰度图像、带有缺失区域的边缘图、掩膜，随后得到预测出的边缘图，再将此边缘图和带有缺失区域的彩色图像输入到第二阶段的网络中，得到最终的补全后的图像。使用相同的超参数进行训练。

2023-08-29 16:01:37 255

原创 Generative Image Inpainting with Contextual Attention论文阅读笔记

Refinement Network由两个网络拼接而成，上层通过contextual attention layer来生成相应的attention map，在attention map color coding中，白色代表关注该区域本身，粉色代表关注像素左下角的部分，绿色代表关注像素右上角的部分。主要方法是将非缺失区域reshape成卷积核，对缺失区域进行卷积，计算出匹配分数，再进行softmax。得到每个像素的attention score后，再进行反卷积，得到修复后的图像。

2023-08-25 18:15:29 65