Shape-Aware Masking for Inpainting in Medical Imaging
Technical University of Munich(慕尼黑工业大学);Johns Hopkins University(约翰斯·霍普金斯大学)
修复最近被提出作为一种成功的深度学习技术,用于无监督医学图像模型发现。用于图像修复的掩模通常独立于数据集,并且不针对不同给定类别的解剖结构进行定制。在这项工作中,我们介绍了一种方法,用于生成形状感知掩模修复,其目的是学习统计形状先验。我们假设,虽然掩模的变化提高了修复模型的通用性,但掩模的形状应该遵循感兴趣器官的拓扑结构。因此,我们提出了一种无监督的指导掩蔽方法的基础上现成的修补模型和超像素过分割算法,以产生广泛的形状相关的面具。腹部MR图像重建的实验结果表明,我们提出的掩模方法优于标准的方法,使用方形或不规则形状的掩模数据集。
2022-07-12 cs.CV cs.LG eess.IV
A Directional Diffusion Algorithm for Inpainting
ETH Zürich(苏黎世联邦理工学院)
修复的问题涉及重建图像的丢失区域。修复有许多应用,例如重建旧的损坏照片或从图像中去除模糊。在本文中,我们提出了方向扩散算法修复。典型的扩散算法在将边缘从图像传播到未知的掩蔽区域方面是不好的。方向扩散算法是对常规扩散算法的改进,它能更精确地重建边缘。在重建被文本掩码混淆的图像时,它的得分优于常规扩散。
2015-11-11 cs.CV
Learning Sparse Masks for Diffusion-based Image Inpainting
Saarland University(萨尔大学)
基于扩散的修复是从稀疏数据重建图像的有力工具。其质量在很大程度上取决于已知数据的选择。优化它们的空间位置--修复掩模--是一项挑战。一个常用的工具,这项任务是随机优化策略。但是,它们计算多个修复结果时速度很慢。我们提供了一个补救措施,在一个学习的面具生成模型。通过模拟完整的修复管道与两个网络的面具产生和神经代理修复,我们得到了一个模型,高效的自适应面具产生。实验表明,我们的模型可以实现具有竞争力的质量与加速多达四个数量级。我们的研究结果作为一个基础,使基于扩散的修补程序更有吸引力的应用程序,如图像压缩,快速编码是非常可取的。
2022-05-16 cs.CV cs.LG eess.IV
A Simple Latent Diffusion Approach for Panoptic Segmentation and Mask Inpainting
INSAIT;Google DeepMind(谷歌DeepMind)
提出基于稳定扩散的潜在扩散方法,简化全景分割架构,无需复杂模块,通过两步训练实现掩膜修复,在COCO和ADE20k上表现优异,并支持多任务。
2024-07-16 cs.CV cs.LG
Personalized Face Inpainting with Diffusion Models by Parallel Visual Attention
Carnegie Mellon University(卡内基梅隆大学);INSAIT, Sofia University(索非亚大学INSAIT学院)
本文提出 PVA 并行视觉注意力机制并结合扩散模型,利用参考身份编码器特征实现个性化人脸修复,在身份保持、语言可控性和微调效率上显著优于现有方法。
2023-12-06 cs.CV cs.LG
The Angel is in the Priors: Improving GAN based Image and Sequence Inpainting with Better Noise and Structural Priors
Indian Institute of Technology Kharagpur(印度理工学院卡拉格普尔分校)
当代基于深度学习的修复算法主要基于监督重建损失和随后的无监督对抗批评损失的混合双阶段训练策略。然而,有一个完全无监督的GAN为基础的修复框架的文献缺乏。对后一种类型的主要厌恶是由于其在推理过程中非常缓慢的迭代优化要求,以找到掩蔽图像的匹配噪声先验。在本文中,我们展示了先验在GAN中的重要性:我们学习数据驱动的参数网络来预测给定图像的匹配先验。这将迭代范例转换为单个前馈推理管道,具有1500倍的加速和重建质量的同时改进。我们发现,一个额外的结构前强加在GAN模型的结果在更高的保真度输出。为了扩展我们的序列修复模型,我们提出了一个基于递归网络的分组噪声先验学习。据我们所知,这是基于无监督GAN的序列修复的第一个演示。序列修补的进一步改进是通过额外的子序列一致性损失来实现的。这些贡献改善了重建序列的时空特性。在SVHN,Standford Cars,CelebA和CelebA-HQ图像数据集,合成序列和ViDTIMIT视频数据集上进行的广泛实验表明,我们在以前的无监督基线上不断改进,并且还实现了与混合基准相当的性能(有时也更好)。
2019-08-16 cs.CV
MaskMedPaint: Masked Medical Image Inpainting with Diffusion Models for Mitigation of Spurious Correlations
Massachusetts Institute of Technology(麻省理工学院)
针对医疗图像分类中因伪特征导致泛化差的问题,提出MaskMedPaint方法,利用文本到图像扩散模型修复关键区域外背景以匹配目标域,有效提升了模型在有限未标记目标图像下的跨域泛化能力。
2024-11-16 cs.CV cs.LG
From Diffusion to One-Step Generation: A Comparative Study of Flow-Based Models with Application to Image Inpainting
Department of Electrical Engineering IIT Bombay(电子工程系 印度理工学院 巴米扬)
本文比较了三种生成模型在图像修复中的应用,展示了CFM和MeanFlow在生成质量和效率上的优势,特别是在单步生成和修复任务中的显著提升。
2025-11-26 cs.CV cs.LG
AutoPaint: A Self-Inpainting Method for Unsupervised Anomaly Detection
KTH Royal Institute of Technology(瑞典皇家理工学院);Karolinska Institutet(卡罗林斯卡学院);Stockholm University(斯德哥尔摩大学);SurgicEye GmbH(SurgicEye公司)
本文提出AutoPaint自修复方法,通过学习健康解剖结构并自动替换肿瘤外观,在PET、CT等多模态数据上实现了优于最新UAD方法且媲美监督分割的无监督异常检测。
2023-05-21 cs.CV cs.LG eess.IV
Unsupervised Region-based Anomaly Detection in Brain MRI with Adversarial Image Inpainting
Durham University(杜伦大学);University of Exeter(埃克塞特大学);County Durham and Darlington NHS Foundation Trust(达勒姆郡和达灵顿国民保健服务基金会信托)
进行医学分割以在手术之前确定感兴趣区域(ROI)的边界。通过允许在规划阶段研究ROI的增长、结构和行为,可以获得关键信息,从而增加成功操作的可能性。通常,分割是手动执行的,或者通过在手动注释上训练的机器学习方法来执行。相比之下,本文提出了一个全自动,无监督inpainting为基础的脑肿瘤分割系统的T1加权MRI。首先,训练深度卷积神经网络(DCNN)来重建缺失的健康大脑区域。然后,在应用时,通过识别最高重建损失的区域来确定异常区域。最后,进行超像素分割以分割这些区域。我们表明,所提出的系统是能够分割各种大小和抽象的肿瘤,并实现了平均值和标准差Dice得分分别为0.771和0.176。
2020-10-05 cs.CV eess.IV
RenderDiffusion: Image Diffusion for 3D Reconstruction, Inpainting and Generation
University of Edinburgh(爱丁堡大学);Adobe Research(奥多比研究院);University of Glasgow(格拉斯哥大学);UCL(伦敦大学学院)
本文提出RenderDiffusion,首个仅用单目二维监督的三维扩散模型,通过在去噪过程中生成并渲染中间三维表示实现三维生成与推断,并支持二维修复编辑三维场景。
2024-02-20 cs.CV cs.LG
Unsupervised Raindrop Removal from a Single Image using Conditional Diffusion Models
Faculty of Computer Science, Universitas Indonesia(计算机科学学院,印度尼西亚大学)
针对单图雨滴去除难题,本文提出利用基于扩散模型的图像修复技术替代常用GAN背景恢复架构,实现无监督雨滴去除。
2025-05-13 cs.CV cs.LG
VideoPDE: Unified Generative PDE Solving via Video Inpainting Diffusion Models
University of Michigan(密歇根大学)
本研究提出VideoPDE框架,将偏微分方程求解重构为广义视频修复问题,基于Transformer架构与像素空间分层视频扩散模型,实现正/逆、全/部分观测等多类PDE任务的统一求解,性能优于现有最优基线。
2025-06-17 cs.AI cs.CV cs.LG
Diffusion Models with Anisotropic Gaussian Splatting for Image Inpainting
University of Southern California(南加州大学)
提出结合各向异性高斯泼溅的扩散模型修复方法,利用高斯函数建模缺失区域提供结构指导,生成高保真且结构连贯的修复结果,实验优于现有技术。
2024-12-14 cs.CV
GuidPaint: Class-Guided Image Inpainting with Diffusion Models
Northwest University(西北大学)
针对现有上下文感知扩散图像修复方法对掩码区域细粒度控制不足的问题,提出无需训练的类别引导框架GuidPaint,引入分类器引导控制中间生成,融合随机与确定性采样,在定性定量评估上均优于现有方法。
2025-07-29 cs.CV
VIPaint: Image Inpainting with Pre-Trained Diffusion Models via Variational Inference
Accenture;Swarthmore College(斯沃思莫尔学院);Univ. California, Irvine(加州大学伊文斯顿分校)
本文提出VIPaint方法,通过变分推断优化非高斯马尔可夫近似,有效修复图像中的缺失区域,适用于高质图像生成及逆向问题。
2026-04-30 cs.AI cs.CV cs.LG
Improving Diagnostic Accuracy for Oral Cancer with inpainting Synthesis Lesions Generated Using Diffusion Models
Hongik University(弘益大学);Kyunghee University(庆熙大学)
本研究利用微调扩散模型的修复技术合成高保真口腔癌病灶,增强训练数据,使分类准确率达0.97、检测准确率达0.85,验证了合成图像在医学诊断中的潜力。
2025-08-08 cs.CV cs.LG
Exploring the Capability of Text-to-Image Diffusion Models with Structural Edge Guidance for Multi-Spectral Satellite Image Inpainting
University of Strathclyde(斯特拉斯克莱德大学)
本文提出基于StableDiffusion和ControlNet的修复框架及RGB到MSI转换方法,发现自监督内部修复在卫星图像修复中质量更高。
2024-03-15 cs.CV
DiffGANPaint: Fast Inpainting Using Denoising Diffusion GANs
Iran University of Science and Technology(伊朗科技大学);McGill University(麦吉尔大学)
本文提出基于去噪扩散概率模型(DDPM)的DiffGANPaint图像修复方法,利用GAN生成器建模反向扩散过程以降低采样成本,实现快速填充缺失像素,实验表明其性能优于或与多数当代工作持平。
2023-08-03 cs.CV
IS-Diff: Improving Diffusion-Based Inpainting with Better Initial Seed
School of Computer Science, Wuhan University(武汉大学计算机学院)
提出IS-Diff,一种无需训练的扩散模型修复方法,通过分布和谐种子和动态选择性精炼机制解决随机噪声导致的语义不匹配问题,在多个数据集上优于现有方法。
2026-10-09 cs.CV
Structure Disruption: Subverting Malicious Diffusion-Based Inpainting via Self-Attention Query Perturbation
Faculty of Innovation Engineering(创新工程学院);Macau University of Science and Technology(澳门科学技术大学);School of Computer Science and Engineering(计算机科学与工程学院);University of Electronic Science and Technology of China(电子科技大学)
提出结构破坏攻击(SDA),通过扰动扩散模型自注意力查询破坏轮廓生成,有效保护图像区域免受基于修复的恶意编辑,实现SOTA性能并保持鲁棒性。
2025-05-26 cs.CR cs.CV cs.LG
HarmonPaint: Harmonized Training-Free Diffusion Inpainting
本文提出免训练扩散修复框架 HarmonPaint,通过自注意力掩码策略保持结构保真,并利用扩散模型内在特性迁移风格,实现无需训练的高质量协调图像修复。
2025-07-22 cs.CV
Diffusion for De-Occlusion: Accessory-Aware Diffusion Inpainting for Robust Ear Biometric Recognition
Department of Computer Science and Engineering, University of Notre Dame(计算机科学与工程系,圣母大学)
本文提出了一种基于扩散的耳部修复方法,用于缓解耳饰遮挡问题,提升基于耳部的生物识别系统性能。
2026-01-27 cs.CV
DiTPainter: Efficient Video Inpainting with Diffusion Transformers
ByteDance(字节跳动)
针对现有视频修复算法易模糊不一致、预训练DiT模型参数量大耗时久的问题,提出从头训练的高效DiT端到端视频修复模型DiTPainter,可处理任意长度视频,在质量和时空一致性上优于现有算法。
2025-05-19 cs.CV
Information-Theoretic Segmentation by Inpainting Error Maximization
TTI-Chicago(芝加哥丰田技术研究所);Princeton University(普林斯顿大学);University of Chicago(芝加哥大学)
我们从信息论的角度研究图像分割,提出了一种新的对抗方法,通过将图像划分为最大独立集来执行无监督分割。更具体地说,我们将图像像素分组为前景和背景,目标是最小化一组像素与另一组像素的可预测性。容易计算的损失驱动贪婪搜索过程以最大化这些分区上的修复错误。我们的方法不涉及训练深度网络,计算成本低,类别不可知,甚至可以单独应用于单个未标记的图像。实验表明,它实现了一个新的国家的最先进的无监督分割质量,同时大大加快,比竞争对手的方法更普遍。
2021-06-29 cs.CV
When Diffusion Models Forget Who You Are: Identity Preservation in Face Inpainting under Large Occlusions
针对大遮挡和冲突文本引导下人脸修复的身份保留难题,提出级联扩散框架ReSem-Face,在CelebAHQ-IDI-5等数据集上验证其身份保留修复及文本编辑质量优于基线。
2026-08-06 cs.CV
Neuroexplicit Diffusion Models for Inpainting of Optical Flow Fields
Saarland University(萨尔大学)
本文结合基于PDE的显式模型与卷积神经网络,提出神经显式扩散模型用于光学流场修复,在重建质量、鲁棒性和数据效率上超越显式、GAN及概率扩散基线,创下新最先进水平。
2024-05-23 cs.CV cs.LG
VipDiff: Towards Coherent and Diverse Video Inpainting via Training-free Denoising Diffusion Models
The University of Hong Kong(香港大学)
VipDiff提出免训练扩散模型框架,利用光流引导像素传播,实现时间连贯且多样的视频修复,显著优于现有方法。
2025-01-21 cs.CV
Gradpaint: Gradient-Guided Inpainting with Diffusion Models
Sorbonne Université(索邦大学)
本文提出GradPaint,通过在扩散模型去噪过程中利用自定义一致性损失的梯度引导生成,实现全局连贯的图像修复,并在多个数据集上超越现有监督和无监督方法。
2023-09-18 cs.AI cs.CV cs.LG
Efficient Zero-Shot Inpainting with Decoupled Diffusion Guidance
CMAP, Ecole Polytechnique(高等理工学院CMAP);Institute of Foundation Models(基础模型研究所);MBZUAI(穆扎夫技术研究院);EPITA;Sorbonne University(索邦大学);Lagrange Mathematics and Computing Research Center(拉格朗日数学与计算研究中心);EPITA Research Lab(EPITA研究实验室);KTH Royal Institute of Technology(皇家理工学院)
本文提出了解耦扩散引导方法,通过简化采样过程降低内存和运行开销,实现高效的零样本修复。
2026-04-29 cs.CV cs.LG
Uni-paint: A Unified Framework for Multimodal Image Inpainting with Pretrained Diffusion Model
City University of Hong Kong(香港城市大学);Tianjin University(天津大学)
Uni-paint提出统一多模态图像修复框架,基于预训练扩散模型,支持多种引导模式,无需任务特定训练,实现少样本泛化,性能与单模态方法相当。
2023-10-11 cs.CV
NeRF Inpainting with Geometric Diffusion Prior and Balanced Score Distillation
University of Science and Technology of China(中国科学技术大学)
本文提出GB-NeRF框架,通过同时学习外观与几何先验的微调策略、法线蒸馏损失及平衡分数蒸馏(BSD)技术,改进二维扩散先验在NeRF修复中的利用,从而提升外观保真度与几何一致性。
2024-11-23 cs.CV
I Dream My Painting: Connecting MLLMs and Diffusion Models via Prompt Generation for Text-Guided Multi-Mask Inpainting
University of Bari Aldo Moro(巴里阿尔多·莫罗大学)
本文提出多掩码修复新任务,通过微调多模态大语言模型自动生成多区域提示,并结合修正交叉注意力的Stable Diffusion实现文本引导的精确修复,在绘画数据集上验证了其创意性与准确性。
2024-12-06 cs.CV
Diffusion-Based Depth Inpainting for Transparent and Reflective Objects
Department of Electronic Engineering, Tsinghua University(清华大学电子工程系);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
本文提出基于扩散的深度修复框架DITR,通过区域提议与深度修复两阶段动态分析光学和几何深度损失,有效解决透明与反射物体在RGB-D成像中的深度缺失问题。
2025-09-19 cs.CV
Flow-Guided Diffusion for Video Inpainting
本文提出流引导扩散模型FGDVI,通过重用图像扩散模型和光流引导潜在插值,提升视频修复的时间一致性与质量,并在流变形误差上比现有方法提升10%。
2025-01-23 cs.CV
CorrFill: Enhancing Faithfulness in Reference-based Inpainting with Correspondence Guidance in Diffusion Models
National Yang Ming Chiao Tung University(国立阳明交通大学);National Taiwan University(国立台湾大学);NVIDIA(英伟达);MediaTek Inc.(联发科股份有限公司)
本文提出无需训练的 CorrFill 模块,通过修复时估计的对应约束、自注意力掩码和输入张量更新,增强扩散修复对参考图像几何关系的忠实性,并提升多种基线及 SOTA 方法性能。
2025-01-04 cs.CV
DiGA3D: Coarse-to-Fine Diffusional Propagation of Geometry and Appearance for Versatile 3D Inpainting
The Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州))
DiGA3D提出一种由粗到细的扩散传播3D修复流程,通过多参考视图选择、注意力特征传播和纹理-几何得分蒸馏采样损失,统一解决外观与几何一致性问题。
2025-07-01 cs.CV
SePaint: Semantic Map Inpainting via Multinomial Diffusion
Luddy School of Informatics, Computing, and Engineering, Indiana University(印第安纳大学卢迪信息、计算与工程学院)
部分观测之外的预测对于机器人在未知环境中导航至关重要,因为它可以提供超出当前传感范围或分辨率的关于周围环境的额外信息。在这项工作中,我们考虑语义鸟瞰图的修复。我们提出了SePaint,一个基于生成多项式扩散的语义数据修复模型。为了保持语义一致性,我们需要在已知区域上对缺失区域进行预测。我们提出了一种新的和有效的条件策略,回看条件(LB CON),它执行一步回看操作在反向扩散过程中。通过这样做,我们能够加强未知部分和已知部分之间的协调,从而提高完成性能。我们在不同的数据集上进行了大量的实验,表明我们提出的模型在各种机器人应用中优于常用的插值方法。
2023-03-05 cs.CV
Sketch-guided Image Inpainting with Partial Discrete Diffusion Process
IIT Jodhpur(焦特布尔印度理工学院);IISc(印度科学学院)
提出部分离散扩散过程(PDDP)与草图引导双向Transformer,实现草图引导的图像修复,有效解决域差距,提升修复质量,并在合成数据集上验证了有效性。
2024-04-18 cs.AI cs.CV cs.LG
Image Inpainting via Tractable Steering of Diffusion Models
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);University of Stuttgart(斯图加特大学)
本研究提出利用概率电路这类可处理概率模型精确计算约束后验,引导扩散模型去噪过程的图像修复框架,在三个数据集上提升修复质量与语义一致性,仅增约10%计算开销,还支持图像区域语义约束。
2024-12-11 cs.CV cs.LG
Coherent Video Inpainting Using Optical Flow-Guided Efficient Diffusion
Hong Kong University of Science and Technology(香港科技大学);DAMO Academy, Alibaba Group(阿里巴巴达摩院)
本文提出光流引导的高效扩散视频修复框架FloED,通过双分支架构、多尺度光流适配器、无需训练的潜在插值和光流注意力缓存机制,在背景恢复与物体移除任务上同时提升修复质量与计算效率。
2025-03-11 cs.CV
MTADiffusion: Mask Text Alignment Diffusion Model for Object Inpainting
MT Lab, Meitu Inc(美图实验室,美图公司);National University of Singapore(新加坡国立大学);Department of Computer Science and Technology, BNRist, IDG/McGovern Institute for Brain Research, Tsinghua University(计算机科学与技术系,BNRist,IDG/McGovern脑科学研究院,清华大学)
针对图像修复中的语义不对齐、结构扭曲和风格不一致问题,提出MTADiffusion模型,通过构建大规模数据集、多任务训练策略及风格一致性损失,在基准测试上实现了最先进的性能。
2025-06-30 cs.CV
AVID: Any-Length Video Inpainting with Diffusion Model
Rutgers University(罗格斯大学);Meta
AVID通过运动模块、可调结构引导及Temporal MultiDiffusion采样流程,解决了文本引导视频修复中的时间一致性、多类型修复和任意时长生成问题。
2024-03-29 cs.CV
RePaint: Inpainting using Denoising Diffusion Probabilistic Models
ETH Zürich(苏黎世联邦理工学院)
自由形式修复是在由任意二进制掩码指定的区域中向图像添加新内容的任务。大多数现有的方法训练的面具,这限制了他们的泛化能力,看不见的面具类型的某种分布。此外,使用像素和感知损失的训练通常会导致对缺失区域的简单纹理扩展,而不是语义上有意义的生成。在这项工作中,我们提出了RePaint:一个去噪扩散概率模型(DDPM)的修复方法,适用于甚至极端的面具。我们采用预训练的无条件DDPM作为生成先验。为了调节生成过程,我们仅通过使用给定图像信息对未掩蔽区域进行采样来改变反向扩散迭代。由于该技术不会修改或调节原始DDPM网络本身,因此该模型可以为任何修复形式生成高质量且多样化的输出图像。我们验证了我们的方法的脸和通用图像修补使用标准和极端的面具。RePaint在六种遮罩分布中至少有五种的性能优于最先进的自回归和GAN方法。Github仓库:git.io/RePaint
2022-08-31 cs.CV
Inpaint3D: 3D Scene Content Generation using 2D Inpainting Diffusion
Google Research(谷歌研究院);Stanford University(斯坦福大学)
提出Inpaint3D,将仅以单张带掩码2D图像为条件的2D扩散模型蒸馏到NeRF,结合SDS、重建损失和深度监督实现任意3D区域内容生成。
2023-12-06 cs.CV
MVIP-NeRF: Multi-view 3D Inpainting on NeRF Scenes via Diffusion Prior
S-Lab, Nanyang Technological University(南洋理工大学S-Lab)
本文提出MVIP-NeRF,利用扩散先验通过多视图联合修复和SDS迭代优化,同时引入法线SDS损失与多视图SDS分数函数,解决了NeRF场景修复中视图不一致和几何对齐差的问题,实现了优于以往方法的外观与几何恢复。
2024-05-05 cs.CV
Towards Coherent Image Inpainting Using Denoising Diffusion Implicit Models
UC Santa Barbara(加州大学圣巴巴拉分校);MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室);IBM Research(IBM研究院);MIT CSAIL(麻省理工学院计算机科学与人工智能实验室)
本文提出COPAINT,利用贝叶斯框架联合修改图像的可见与未可见区域,通过使后验近似误差在去噪步骤中逐渐降至零,实现无失配的连贯图像修复,在主客观指标上均优于现有扩散方法。
2023-04-06 cs.CV cs.LG
Progressive Learning of a Diffusion-based Inpainting Model for Separating Overlapped Fingerprints
本研究针对重叠指纹分离问题,提出渐进式学习的基于扩散的修复模型,结合指纹先验与多通道条件的感知重叠修复,在公开数据集上实现了高匹配度的组成指纹重建。
2026-08-05 cs.CR cs.CV
3D-Consistent Image Inpainting with Diffusion Models
NAVER LABS Europe(NAVER欧洲实验室)
针对扩散模型图像修复的3D不一致问题,提出融入场景另一视角信息的改进扩散模型,无需显式3D监督即可实现3D一致且语义连贯的修复,在多数据集上表现优于现有最优方法。
2024-12-08 cs.AI cs.CV
Taming Latent Diffusion Model for Neural Radiance Field Inpainting
Meta;University of California, Merced(加州大学默塞德分校);University of Maryland, College Park(马里兰大学帕克分校)
针对NeRF修复中扩散模型随机性导致的几何不收敛和纹理偏移问题,提出逐场景定制与掩码对抗训练方法,避免有害的像素与感知损失,在真实场景上实现了最先进的修复效果。
2024-11-13 cs.AI cs.CV cs.LG
Repairing and Inpainting Damaged Images using Diffusion Tensor
Signal, Image Processing and Pattern Recognition Laboratory TSIRF (ENIT)(信号、图像处理与模式识别实验室 TSIRF (ENIT))
去除或修复数字图像或视频的缺陷是图像修补技术中一个非常活跃和有吸引力的研究领域。这后来有广泛的应用,如删除旧照片图像中的划痕,删除文本和徽标或创建卡通和艺术效果。在本文中,我们提出了一种有效的方法来修复受损图像的非线性扩散张量的基础上。这个想法是完美地跟踪损坏的图像的局部几何形状,并允许仅在等照度线曲线方向上扩散。为了说明我们的方法的有效性能,我们提出了一些实验结果测试和真正的摄影彩色图像
2013-05-09 cs.CV
ESDiff: Encoding Strategy-inspired Diffusion Model with Few-shot Learning for Color Image Inpainting
本文提出一种基于编码策略启发的扩散模型,利用虚拟掩码和通道间扰动,结合少样本学习实现彩色图像修复,在定量指标和重建质量上优于现有方法。
2025-04-24 cs.CV
Face inpainting with Identity Preserving Latent Diffusion Models
Institute for Systems and Robotics(系统与机器人研究所)
本文提出ID-ControlNet,利用潜在扩散模型实现面部修复,通过身份嵌入保持身份一致性,实验表明其在CelebA-HQ等数据集上优于传统方法,接近最先进的身份感知方法。
2026-05-15 cs.CV
Mask-Conditioned Voxel Diffusion for Joint Geometry and Color Inpainting
本文提出基于掩码的体素扩散方法,用于修复受损3D物体的几何和颜色,通过两阶段框架实现更完整和一致的修复效果。
2026-01-01 cs.CV