如何在TensorFlow中用深度学习修复图像?

本文来自csdn，本文用的例子是脸部图像，但DCGANs也可以被训练做其他类型的图像修复.设计师和摄影师用内容自动填补来补充图像中不想要的或缺失的部分。与之相似的技术还有图像完善和修复。实现内容自动填补，图像完善和修复的方法有很多。本文介绍的是 RaymondYeh和ChenChen等人的论文「SemanticImageInpainting withPerceptual

Python-利用TensorFlow中的深度学习进行图像修复

利用TensorFlow中的深度学习进行图像修复

深度学习之图像修复

本文来自于csdn，文章介绍了一种基于CNN的图像复原方法，包括CNN网络结构，关于内容生成网络的训练和Loss NN的定义等相关内容。图像修复问题就是还原图像中缺失的部分。基于图像中已有信息，去还原图像中的缺失部分。从直观上看，这个问题能否解决是看情况的，还原的关键在于剩余信息的使用，剩余信息中如果存在有缺失部分信息的patch，那么剩下的问题就是从剩余信息中判断缺失部分与哪一部分相似。而这，就是现在比较流行的PatchMatch的基本思想。 CNN

图像修复鼻祖

2016年用深度学习做图像修复，是第一篇用深度学习做图像修复的Paper，其深度学习平台是torch,系统环境为linux系统。

一种优于深度学习的双鉴别网络生成对抗网络的图像修复办法.pdf

针对现有神经网络图像修复方法的修复结果在视觉连通性上存在结构扭曲、训练过程中易陷入过度学习等问题，提出了一种基于双鉴别网络的生成对抗网络（ GAN）图像修复方法。该方法的修复模型使用了修复网络、全局鉴别网络和局部鉴别网络。修复网络将待修复图像破损区域用相似信息填充后作为输入，极大地提高了生成图像的速度与质量；全局鉴别网络综合采用图像全局的边缘结构信息和特征信息以保证修复网络输出的修复图像结果符合视觉连通性；而局部鉴别网络在鉴别输出图像的同时，利用在多个图像中寻找到的辅助特征块来提高鉴别的泛化能力，很好地抑制了修复网络在特征过于集中或单一时容易过度学习的问题。实验结果表明，所提修复方法在人脸类图像上具有较好的修复效果，且在不同种类图像上有非常好的适用性，其峰值信噪比（ PSNR）和结构相似性（ SSIM）指标比当前基于深度学习且修复效果较好的几种方法更优。

基于深度学习的面部修复技术综述

传统图像修复算法在修复区域涉及复杂非重复结构（如面部）时，不能准确捕捉到高级语义。近三年来基于深度学习的方法被应用于图像修复中，其修复结果的结构相似性较传统方法提高了10%以上。

图像修复—ImageNet模型

2018 CVPR的图像修复的ImageNet模型，主要是对图像缺失部分修复重构

2019-2020图像修复CVPR论文

2019-2020图像修复、补全；17篇自己收集下载的CVPR论文+一篇 19年 图像修复review,有条件的自行搜索论文题目下载即可，懒得自己搜索的可以下载这个哈，私信找我发邮件也是可以的；

CDD图像修复 使用matlab开发

使用CDD进行图像修复的matlab程序，效果一般

图像修复\数字图像的修复方法研究

关于数字图像的修复方法研究的一篇博士论文

Kinect深度图修复

程序可以直接拿来执行，需要的各位同仁可以自己下载

图像修复研究进展综述（发表自计算机科学）

图像修复是计算机视觉领域中极具挑战性的研究课题。近年来,深度学习技术的发展推动了图像修复性能的显著提升,使得图像修复这一传统课题再次引起了学者们的广泛关注。文章致力于综述图像修复研究的关键技术。

多元图像复原（计算机视觉）Pluralistic Image Completion

Abstract Most image completion methods produce only one result for each masked input, although there may be many reasonable possibilities. In this paper, we present an approach for pluralistic image completion – the task of generating multiple and diverse plausible solutions for image completion. A major challenge faced by learning-based approaches is that usually only one ground truth training instance per label. As such, sampling from conditional VAEs still leads to minimal diversity. To overcome this, we propose a novel and probabilistically principled framework with two parallel paths. One is a reconstructive path that utilizes the only one given ground truth to get prior distribution of missing parts and rebuild the original image from this distribution. The other is a generative path for which the conditional prior is coupled to the distribution obtained in the reconstructive path. Both are supported by GANs. We also introduce a new short+long term attention layer that exploits distant relations among decoder and encoder features, improving appearance consistency. When tested on datasets with buildings (Paris), faces (CelebA-HQ), and natural images (ImageNet), our method not only generated higherquality completion results, but also with multiple and diverse plausible outputs.

图像修复+自注意力机制.zip

Self-Attention Generative Adversarial Networks （SAGAN，自注意力机制GAN） 论文、代码 DeOldify 是用于着色和恢复旧图像及视频的深度学习项目 代码资源

一种基于深度学习的多聚焦图像融合算法

针对深度学习在计算机视觉上的良好表现，提出一种基于深度学习的多聚焦图像融合算法，在原有的AlexNet网络模型基础上改进了卷积核大小、步长等；利用改进后的深度学习网络特有的得分机制分类了聚焦图像块与散焦图像块；使用矫正矩阵矫正了误判图像块，并细分、修复了融合后的图像聚焦与散焦分界区域，得到了融合图像；选取6组多聚焦图像验证了本文算法的有效性。实验结果表明：与其他算法相比, 运用本文算法进行图像融合，能够保存较多的图像原始高频信息,并在互信息、边缘信息保持度、平均梯度和熵等评价指标上取得了较好的表现。

Python-DeOldify基于深度学习对老照片自动着色与修复

DeOldify - 基于深度学习对老照片自动着色与修复

CNTK(微软深度学习工具包) v2.0正式版

CNTK2.0由微软正式发布，全名Cognitive Toolkit/CNTK，是一个可帮助公司加速图像和语音处理的深度学习工具。CNTK最早是由微软一些想要更快更高效地做自己的研究的计算机科学家开发的，但事故它很快就超越了语音领域并演变成了一个产品。已经在微软的产品上得到了广泛的应用，并且也被全世界需要大规模应用深度学习的公司或对最近的算法和技术感兴趣的学习所使用。 伴随着新版本CNTK2.0发布，该工具包的最新版本已经通过一个开源证书发布在了GitHub上，用户可以使用包括 Python（版本2.7、3.4 和3.5）、C++以及C#/.NET管理的认知工具包软件库获得额外的绑定。其他新特性包括Python示例和教程、Layers library的诸多改进、自动安装、Docker Hub中包括Docker 图像等等，部署了数百个新特性、性能提升和修复。

基于神经网络的图像去模糊代码

在单图像去模糊中，传统的基于优化的方法和最近的基于神经网络的方法都非常成功，即在金字塔中逐步恢复不同分辨率的锐利图像。在本文中，我们研究了这种策略，并提出了一个规模递归网络（SRN-DeblurNet）来完成这项去模糊任务。与文献[25]中的许多基于学习的方法相比，它具有更简单的网络结构、更少的参数和更容易训练的特点。我们在具有复杂运动的大规模数据集上对我们的方法进行了评估。结果表明，无论在定量还是定性上，我们的方法都比现有的方法有更高的质量。