持续更新...

• Globally andlocally consistent image completion（2017）.
  • 作者：S. Iizuka, E. Simo-Serra, and H. Ishikawa.
  • 主要思想：这篇论文主要是利用GAN的思想，采用两个鉴别器与生成器进行对抗，补全缺损图像。损失函数除了GAN损失外在生成器中还加入了MSE损失。
  • 缺点：生成图像的分辨率不高。
• Generative facecompletion（2017）.
  • 作者：Y. Li, S. Liu, J. Yang, and M.-H. Yang.
  • 主要思想：与Globally andlocally consistent image completion网络结构非常类似，不同的是损失函数中除了GAN损失还加入了语义分析损失。
  • 缺点：生成图像的分辨率不高。
• Free-form image inpainting with gated convolution（2018）.
  • 作者：Yu, Z. Lin, J. Yang, X. Shen, X. Lu, and T. S. Huang.
  • 主要思想：以用户草图为输入来进行图像修复。
  • 缺点：草图中没有颜色，所以最后修复的图像颜色只能依赖于训练集分配。
• Guided image in-painting: Replacing an image region by pulling content fromanother image（2018）.
  • 作者：Y. Zhao, B. Price, S. Cohen, and D. Gurari.
  • 思想：从其他的图片中截取与破损图像相似的图像进行修复。缺点：在细节上效果不好，且难以判断用户偏好。
• Real-time user-guided image colorization withlearned deep priors（2017）.
  • 作者R. Zhang, J.-Y. Zhu, P. Isola, X. Geng, A. S. Lin, T. Yu, andA. A. Efros.
  • 思想：给黑白图像上色，不能编辑图像中的结构也不能修复图像。
• Faceshop: Deep sketch-based face image edit-ing.（2018）
  • 作者：T. Portenier, Q. Hu, A. Szabo, S. Bigdeli, P. Favaro, andM. Zwicker.
  • 思想：以手稿和色彩作为输入然后修复破损图像
  • 缺点：当破损区域很大的时候修复结果不合理，并且作者的实验中破损区域均为长方形
• SC-FEGAN: Face Editing Generative Adversarial Network with User’s Sketchand Color(2019)
  • 作者：Youngjoo JoJongyoul Park
  • 思想：通过用户的草图可以给图像添加眼镜、帽子、耳环等装饰，用户也可以自行选择颜色。
• Perceptual losses forreal-time style transfer and super-resolution.
  • 作者：J. Johnson, A. Alahi, and L. Fei-Fei.
  • 提出了SN-patchGAN的思想。