文章目录
- 🍊 精选专栏，图像修复-代码环境搭建-知识总结
- 🍊 源码测评， 图像修复 : 基于条件纹理和结构并行生成的图像修复——ICCV 2021 【附测评源码】
- 🍊 博主：墨理，2020年硕士毕业，目前从事图像算法，AI工程化 相关工作
- 🍊 该代码的测评，近期会更新博文，敬请关注
📙 如果直接问、有哪些潜在的 Trick ?
这些 Trick 当然是有的，可问题是、如果这些 Trick 那么好实现、好验证
你、我、或者其它卷到这个赛道的小伙伴、难道不会自己去实现、然后 水一篇SCI、实力 + 运气好 上波顶会 ？
📙 这个事情具体怎么做、大家更多依靠的是自己
从不同角度、思路去归类、单 图像修复这一个小领域就能有好些个研究路线
我这边只是从事过半年左右的图像修复领域、深度学习方面的学习归纳
接下来总结的内容也属于个人拙见、不敢以偏概全
希望能够带给刚刚跨入这个赛道的小伙伴一些参考（大佬、请勿当真）
我们首先梳理一下现有主流研究方向（最起码有如下 8 种 类型，可归类为 图像修复 领域研究）
从 Mask 类型来区分，会有
- 不规则 Mask 图像修复
- 中心块 mask 图像修复
从网络结构方面来大致分类
- 基于 GAN
- 基于 VAE (编码器、解码器)
- 基于 VAE —GAN
从网络结构的视角分三大类（节选自、 图像修复 2021 综述论文-解读博文）
-
3.1. Single-stage inpainting
3.1.1. Single result inpainting 3.1.2. Pluralistic inpainting approaches -
3.2. Progressive image inpainting
3.2.1. Low-resolution image inpainting 3.2.2. High-resolution image inpainting -
3.3. Inpainting based on prior knowledge
3.3.1. Contour edge guided image inpainting 3.3.2. Generative prior guided image inpainting
📙 image inpainting还有哪些优化的点啊
- 图像修复之 coarse-to-fine 网络精进 （这里存在 两阶段、一阶段图像修复、有提升空间；个人之前的思路是：网络层复用、从而在保持甚至微弱提升性能的前提下、减少模型参数、使得单张图像推理速度更快、个人觉得这个路子可行性还是可以的）
- 图像修复之 coarse-to-fine 网络精进总结
- 从图像修复网络结构的卷积、改进入手（其它领域的创新 的 卷积结构、照搬过来、没准有意外收获、这就是一个碰运气的实验过程，你如果直接能够设计一个新的卷积、那更牛了）
- 细而深的网络结构 | 图像修复 五大 卷积 | 后续关注的知识点
- 判别器（看看其他大佬、或者其他领域是否有新的判别器、可以拿来套用，借鉴、改进）
- 损失函数（损失函数这些都是好几年才能出一个新的相对有通用性的高质量损失函数、这个更看运气、如果你的数学功底足够好、可以自行创造改进、这种的大概率是可以投一个顶会了）
- 再有就是其他领域已经比较火热的一些新的 Trick (Transformer、Self-Attention 机制 、XXX 机制… 这些很多都是交叉、碰撞出来的、拿来主义也罢、就看谁会是 第一个吃螃蟹的人)
相信不远的未来、深度学习、人工智能、创新实验、很有可能像 生化实验一样、控制变量、排除择优（相信很多人已经在这样卷的路上了）
这几点、其实大家做过一段时间科研搬砖、可以发现几乎在很多领域的网络改进上思路基本都是通用的（本菜鸡儿觉得如是）
其他开放性质思路探讨，欢迎各位大佬、点评补充
📙 预祝各位 前途似锦、可摘星辰
- 🍊 深度学习模型训练推理——基础环境搭建推荐博文查阅顺序【基础安装—认真帮大家整理了】——【1024专刊】
- ❤️ 图像风格转换 —— 代码环境搭建 实战教程【关注即可阅】！
- 💜 图像修复-代码环境搭建-知识总结 实战教程 【据说还行】
- 💙 超分重建-代码环境搭建-知识总结 解秘如何让白月光更清晰【脱单神器】
- 💛 YOLO专栏，只有实战，不讲道理 图像分类【建议收藏】！
-
🍊 深度学习：环境搭建，一文读懂
-
🍊 深度学习：趣学深度学习
-
🍊 落地部署应用：模型部署之转换-加速-封装
-
🍊 CV 和 语音数据集：数据集整理
-
📆 最近更新：2021年10月31日
-
🍊 点赞 👍 收藏 ⭐留言 📝 都是博主坚持写作、更新高质量博文的最大动力！
