數(shù)字圖像修復(fù)的目的在于使用一種自動(dòng)的數(shù)字圖像處理技術(shù)對(duì)圖像中的缺失區(qū)域進(jìn)行填充,保持缺失區(qū)域與已知區(qū)域的連貫性和自然過渡,使得填充后的圖像滿足人類視覺要求。隨著信息時(shí)代的發(fā)展,數(shù)字圖像修復(fù)技術(shù)已成為計(jì)算機(jī)視覺和數(shù)字圖像處理領(lǐng)域的前沿性研究課題,在文物保護(hù)、生物醫(yī)療、游戲娛樂等領(lǐng)域得到了廣泛的應(yīng)用。傳統(tǒng)基于信息擴(kuò)散或基于紋理合成的圖像修復(fù)方法可在細(xì)小區(qū)域或重復(fù)紋理缺失區(qū)域取得良好的效果,但當(dāng)圖像內(nèi)缺失區(qū)域面積過大時(shí)往往生成模糊或單一的修復(fù)結(jié)果。近來發(fā)展起來的基于深度學(xué)習(xí)的圖像修復(fù)方法可通過理解受損圖像內(nèi)容從而對(duì)缺失區(qū)域內(nèi)容進(jìn)行推理生成,在人臉、車輛等特定場(chǎng)景中可生成較準(zhǔn)確的圖像語義,但直接將這類方法推廣到包含復(fù)合結(jié)構(gòu)和紋理的自然圖像修復(fù)場(chǎng)景時(shí),仍存在許多巨大的技術(shù)挑戰(zhàn)。具體分析如下:(1)內(nèi)容生成方面:自然場(chǎng)景圖像由于對(duì)象類型多樣、像素分布情況復(fù)雜,現(xiàn)有采用單次前向生成圖片的方法生成的內(nèi)容往往存在嚴(yán)重的形狀失真和紋理混疊的問題,尤其發(fā)生在對(duì)象邊界與紋理多變區(qū)域。然而,圖像中不同對(duì)象的同質(zhì)紋理區(qū)域交接處往往會(huì)形成豐富的結(jié)構(gòu)信息,是一種良好的先驗(yàn)知識(shí),有利于這種“一對(duì)多”的不適定問題的求解,...

【文章頁數(shù)】：108 頁

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 選題的研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于信息擴(kuò)散的圖像修復(fù)方法
        1.2.2 基于紋理合成的圖像修復(fù)方法
        1.2.3 基于深度學(xué)習(xí)的圖像修復(fù)方法
        小結(jié)
    1.3 面臨的關(guān)鍵問題
    1.4 論文的研究內(nèi)容與組織結(jié)構(gòu)
第2章 基于顯式結(jié)構(gòu)推理和感知的圖像修復(fù)
    2.1 引言
    2.2 基于上下文編碼器的圖像修復(fù)方法
    2.3 方法比較
    2.4 基于顯式結(jié)構(gòu)推理和感知的圖像修復(fù)方法
        2.4.1 顯式結(jié)構(gòu)修復(fù)
        2.4.2 基于結(jié)構(gòu)先驗(yàn)感知的紋理填充
        2.4.3 方法實(shí)現(xiàn)細(xì)節(jié)
    2.5 實(shí)驗(yàn)與性能分析
        2.5.1 實(shí)驗(yàn)?zāi)康呐c原理
        2.5.2 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集
        2.5.3 實(shí)驗(yàn)結(jié)果與分析
    2.6 小結(jié)
第3章 基于隱式內(nèi)容推理和風(fēng)格渲染的圖像修復(fù)
    3.1 引言
    3.2 基于神經(jīng)塊單元合成的圖像修復(fù)方法
    3.3 方法比較
    3.4 基于隱式內(nèi)容推理和風(fēng)格渲染的圖像修復(fù)方法
        3.4.1 基于內(nèi)容和風(fēng)格分解的圖像修復(fù)模型的建立
        3.4.2 圖像修復(fù)網(wǎng)絡(luò)結(jié)構(gòu)及優(yōu)化算法設(shè)計(jì)
        3.4.3 方法實(shí)現(xiàn)細(xì)節(jié)
    3.5 實(shí)驗(yàn)與性能分析
        3.5.1 實(shí)驗(yàn)?zāi)康呐c原理
        3.5.2 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集
        3.5.3 實(shí)驗(yàn)結(jié)果與分析
    3.6 小結(jié)
第4章 基于對(duì)象感知和多任務(wù)遞歸學(xué)習(xí)的圖像修復(fù)
    4.1 引言
    4.2 基于對(duì)象感知的圖像生成技術(shù)和多任務(wù)學(xué)習(xí)技術(shù)
        4.2.1 基于對(duì)象感知的圖像生成技術(shù)
        4.2.2 多任務(wù)學(xué)習(xí)技術(shù)
    4.3 方法比較
    4.4 基于對(duì)象感知和多任務(wù)遞歸學(xué)習(xí)的圖像修復(fù)方法
        4.4.1 基于多任務(wù)遞歸學(xué)習(xí)的模型構(gòu)建
        4.4.2 多任務(wù)學(xué)習(xí)的網(wǎng)絡(luò)結(jié)構(gòu)及優(yōu)化算法設(shè)計(jì)
        4.4.3 方法實(shí)現(xiàn)細(xì)節(jié)
    4.5 實(shí)驗(yàn)與性能分析
        4.5.1 實(shí)驗(yàn)?zāi)康呐c原理
        4.5.2 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集
        4.5.3 實(shí)驗(yàn)結(jié)果與分析
    4.6 小結(jié)
第5章 總結(jié)與展望
    5.1 本文方法回顧與對(duì)比
    5.2 本文的貢獻(xiàn)與創(chuàng)新之處
    5.3 研究展望
參考文獻(xiàn)
攻讀博士學(xué)位期間的科研工作情況
致謝



本文編號(hào)：3791903