尊敬的各位读者:
根据当前疫情防控要求,我馆部分原文传递服务可能会有延期,无法在24小时内提供,给您带来的不便敬请谅解!
国家工程技术图书馆
2022年11月29日
摘要: 图像修复是一种常见的图像处理手段,它的目的是修复图像的破损区域,使得修复后的图像看起来足够真实、可信,该技术被广泛的应用于目标移除、老照片修复、影视后期制作等领域。传统的图像修复算法在执行大面积破损区域的修复工作时表现较差,并且无... 展开 图像修复是一种常见的图像处理手段,它的目的是修复图像的破损区域,使得修复后的图像看起来足够真实、可信,该技术被广泛的应用于目标移除、老照片修复、影视后期制作等领域。传统的图像修复算法在执行大面积破损区域的修复工作时表现较差,并且无法完成语义信息的修复,得到的结果往往模糊且不自然。而基于深度学习的图像修复算法则能解决这些问题,本文首先提出了一种基于上下文编码器的基础图像修复算法,接着根据这个基础算法存在的一些问题对其进行了改进。 基础算法在上下文编码器的基础上,对网络结构和损失函数都进行了改进。基础算法由生成模型和判别模型两部分组成,其中生成模型是一个编码-解码结构的网络,生成模型中使用了部分卷积,相较于经典卷积,部分卷积能够避免在卷积的过程中产生无意义的特征值。判别模型由局部判别网络与全局判别网络组成,其中全局判别网络能够判断整幅修复图像的真实性,局部判别网络能够判断局部修复图像的真实性。基础算法在训练的过程中使用了四种损失函数,分别为:重建损失、感知损失、风格损失、生成对抗损失。将基础算法和其他三种主流的图像修复算法进行对比实验,实验使用CelebA数据集和三种不同的掩码方案,评价指标包括主观评价与客观评价,结果显示本文提出的基础算法在三种不同的掩码方案下均表现最佳。 本文根据基础算法存在的问题对其进行了改进,得到了改进后的图像修复算法。改进措施主要有三点:改进部分卷积、使用跳跃连接、将生成对抗网络替换为Wasserstein生成对抗网络。其中改进后的部分卷积能够使修复区域变得更加清晰,跳跃连接能够强化模型的特征提取能力,Wasserstein生成对抗网络能够增加模型生成样本的多样性,并使得模型的训练过程更加稳定。将基础算法和改进算法进行实验对比,实验同样使用CelebA数据集和三种不同的掩码方案,评价指标包括主观评价与客观评价,结果显示改进后的算法生成的修复区域更加清晰、生动,拥有更多的细节,并且能保持与图像在整体风格上的统一。 收起
系统维护,暂停服务。
根据《著作权法》“合理使用”原则,您当前的文献传递请求已超限。
如您有科学或教学任务亟需,需我馆提供文献传递服务,可由单位单位签署《图书馆馆际互借协议》说明情况,我馆将根据馆际互借的原则,为您提供更优质的服务。
《图书馆馆际互借协议》扫描件请发送至service@istic.ac.cn邮箱,《图书馆馆际互借协议》模板详见附件。
根据《著作权法》规定, NETL仅提供少量文献资源原文复制件,用户在使用过程中须遵循“合理使用”原则。
您当日的文献传递请求已超限。