图像修复总结

图像修复（Image inpainting or Image complete ）的目的是在给定一个mask的情况下，填充缺失区域的像素，使其整体达到纹理和结构一致性，或者语义和视觉可信。其应用范围十分广泛，如图像复原，图像编辑，图像去噪。图像修复本身就是一个高度病态问题，修复过程带有高度的主观性，比如专家修复艺术作品。现有的大多数深度学习方法将图像修复视为一个条件生成问题，输入到输出的映射是一对多，最后生成的一个最优结果。然而该结果没有丰富的语义内容，可能生成的结果内容不一样了，但仍看似合理。

现有的图像方法可分为深度学习方法和非深度学习方法。

 

传统的图像修复方法大致可以分为两类，即基于补丁的方法和基于扩散的方法。基于面片的方法[2,12,32]尝试在清晰区域中找到最匹配的面片，以一块一块地填充缺失区域面片。另一方面，基于扩散的方法[16,36]尝试将结构和纹理等信息从边界逐渐传播到缺失区域的内部。这些方法基于一些假设：清除区域中存在相似的内容，或者遗漏区域的边界和内部的内容具有很强的连续性。这些假设决定了传统方法可以处理一些简单的实例，但不能处理包含复杂语义信息的图像

 

https://blog.csdn.net/baidu_33256174/article/details/101173444