当前位置：网站首页>论文精度 —— 2016 CVPR 《Context Encoders: Feature Learning by Inpainting》
论文精度 —— 2016 CVPR 《Context Encoders: Feature Learning by Inpainting》
2022-08-10 05:25:00 【clarkjs】
总述
这篇paper是新时代人工智能CV中的Inpainting领域中的开山之作，之前的超级传统的方法是通过在图像补丁的庞大的素材库中寻找合适的补丁来填充缺失区域，非常不可靠，如下图所示：
如上图所示，可以看到几乎完全没有可信度。作者受到了自动编码器的启发，创新性地提出了上下文编码器进行特征的学习，并对损失函数进行了调整，将L2重建损失函数和对抗损失进行融合，使得该工作既连贯又清晰。此外，还分别验证了三种掩码方式：(a) Central region (b) Random block Random region，并在Paris StreetView Dataset.和 ImageNet 数据集上验证了效果。注：作者说自动编码器不能进行语义层面的学习，这是缺点所在
一、方法详述
0. Overall
编码器获取具有缺失区域的输入图像并生成该图像的潜在特征表示。解码器采用此特征表示并产生丢失的图像内容。
1. Encoder（编码器）
Encoder利用AlexNet网络
2. Channel-wise fully-connected layer
假如编码器的输出是通道数为m的 nn的shape，同样，解码器的输入也是通道数为m的 nn的shape&
边栏推荐
- 线程(上篇):线程的创建
- 如何从代码层提高产品质量
- 如何取得某月的最后一天
- Get started with the OAuth protocol easily with a case
- Interface documentation evolution illustration, some ancient interface documentation tools, you may not have used it
- 【论文笔记】Prototypical Contrast Adaptation for Domain Adaptive Semantic Segmentation
- Touch chip used in smart touch remote control
- [Thesis Notes] Prototypical Contrast Adaptation for Domain Adaptive Semantic Segmentation
- 咨询cdc 2.0 for mysql不执行flush with read lock.怎么保证bin
- FPGA工程师面试试题集锦41~50
猜你喜欢
随机推荐
接口调试还能这么玩？
Order table delete, insert and search operations
AVL tree insertion--rotation notes
线性模型中的高级特征选择技术——基于R
`id` bigint(20) unsigned NOT NULL COMMENT 'Database primary key',
SQLSERVER 2008 parses data in Json format
strongest brain (1)
I have a dream for Career .
最强大脑（1）
深度梳理：防止模型过拟合的方法汇总
Joomla vulnerability reproduced
canvas 画布绘制时钟
Arduino框架下合宙ESP32C3 +1.8“tft 网络时钟
leetcode每天5题-Day13
Guys, is it normal that the oracle archive log grows by 3G in 20 minutes after running cdc?
How cursors work in Pulsar
FPGA engineer interview questions collection 1~10
Mysql CDC (2.1.1) inital snapshot database set up five concurrent degree, se
一文带你搞懂OAuth2.0
mysql cdc （2.1.1）inital snapshot数据库的时候设置了5个并发度，se