摘要: 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。由于深度学习技术在解决“大面积缺失图像修复”问题时具有重要作用并带来了深远影响,文中在简要介绍传统图像修复方法的基础上,重点介绍了基于深度学习的修复模型,主要包括模型分类、优缺点对比、适用范围和在常用数据集上的性能对比等,最后对图像修复潜在的研究方向和发展动态进行了分析和展望。

http://www.jsjkx.com/CN/10.11896/jsjkx.210100048

成为VIP会员查看完整内容
60

相关内容

图像修复(英语:Inpainting)指重建的图像和视频中丢失或损坏的部分的过程。例如在博物馆中,这项工作常由经验丰富的博物馆管理员或者艺术品修复师来进行。数码世界中,图像修复又称图像插值或视频插值,指利用复杂的算法来替换已丢失、损坏的图像数据,主要替换一些小区域和瑕疵。
专知会员服务
36+阅读 · 2021年4月23日
专知会员服务
32+阅读 · 2021年2月1日
专知会员服务
21+阅读 · 2021年1月5日
专知会员服务
28+阅读 · 2020年12月16日
专知会员服务
119+阅读 · 2020年12月9日
专知会员服务
103+阅读 · 2020年11月27日
基于知识图谱的推荐系统研究综述
专知会员服务
327+阅读 · 2020年8月10日
领域知识图谱研究综述
专知会员服务
141+阅读 · 2020年8月2日
实体关系抽取方法研究综述
专知会员服务
176+阅读 · 2020年7月19日
3D目标检测进展综述
专知会员服务
191+阅读 · 2020年4月24日
多模态视觉语言表征学习研究综述
专知
27+阅读 · 2020年12月3日
领域知识图谱研究综述
专知
16+阅读 · 2020年8月2日
深度学习模型可解释性的研究进展
专知
25+阅读 · 2020年8月1日
深度学习可解释性研究进展
专知
19+阅读 · 2020年6月26日
【综述】生成式对抗网络GAN最新进展综述
专知
57+阅读 · 2019年6月5日
深度学习的图像修复
AI研习社
21+阅读 · 2019年3月28日
生成对抗网络的研究进展与趋势
中国计算机学会
35+阅读 · 2018年11月14日
计算机视觉方向简介 | 目标检测最新进展总结与展望
计算机视觉life
9+阅读 · 2018年10月28日
Arxiv
16+阅读 · 2021年3月2日
Arxiv
16+阅读 · 2021年1月27日
Arxiv
19+阅读 · 2021年1月14日
Deep Learning in Video Multi-Object Tracking: A Survey
Arxiv
57+阅读 · 2019年7月31日
Arxiv
19+阅读 · 2019年4月5日
VIP会员
相关VIP内容
专知会员服务
36+阅读 · 2021年4月23日
专知会员服务
32+阅读 · 2021年2月1日
专知会员服务
21+阅读 · 2021年1月5日
专知会员服务
28+阅读 · 2020年12月16日
专知会员服务
119+阅读 · 2020年12月9日
专知会员服务
103+阅读 · 2020年11月27日
基于知识图谱的推荐系统研究综述
专知会员服务
327+阅读 · 2020年8月10日
领域知识图谱研究综述
专知会员服务
141+阅读 · 2020年8月2日
实体关系抽取方法研究综述
专知会员服务
176+阅读 · 2020年7月19日
3D目标检测进展综述
专知会员服务
191+阅读 · 2020年4月24日
相关资讯
多模态视觉语言表征学习研究综述
专知
27+阅读 · 2020年12月3日
领域知识图谱研究综述
专知
16+阅读 · 2020年8月2日
深度学习模型可解释性的研究进展
专知
25+阅读 · 2020年8月1日
深度学习可解释性研究进展
专知
19+阅读 · 2020年6月26日
【综述】生成式对抗网络GAN最新进展综述
专知
57+阅读 · 2019年6月5日
深度学习的图像修复
AI研习社
21+阅读 · 2019年3月28日
生成对抗网络的研究进展与趋势
中国计算机学会
35+阅读 · 2018年11月14日
计算机视觉方向简介 | 目标检测最新进展总结与展望
计算机视觉life
9+阅读 · 2018年10月28日
相关论文
Arxiv
16+阅读 · 2021年3月2日
Arxiv
16+阅读 · 2021年1月27日
Arxiv
19+阅读 · 2021年1月14日
Deep Learning in Video Multi-Object Tracking: A Survey
Arxiv
57+阅读 · 2019年7月31日
Arxiv
19+阅读 · 2019年4月5日
微信扫码咨询专知VIP会员