摘要
现有的图像补全方法可以很好地对缺失图像进行补全处理,但是其中基于传统图像处理方法补全算法的补全能力有限,而基于生成对抗网络(GAN)的方法都需要大量训练数据和训练时间,且对于边界缺失的区域不能有效处理。为了克服这些问题,提出一种将数据场与生成对抗网络相结合的图像补全模型,在损失函数中引入势能损失,最小化补全区域产生的势能分布与真实图像对应区域产生的势能分布的差距。通过由重构损失、对抗损失和势能损失构成的联合损失函数进一步优化补全结果,同时加速模型的收敛速度。本模型在Caltech-UCSD birds数据集和Oxford-102flowers dataset数据集上可以对多种缺失情况进行有效的填充补全处理。另外与其他方法相比,在同等较少训练量的前提下,该结果在人的主观感受和客观评价指标上都取得了更好的效果。
出处
《计算机应用研究》
CSCD
北大核心
2020年第S02期362-364,共3页
Application Research of Computers
基金
重庆市自然科学基金重点资助项目(cstc2017zdcy-zdyfx0091,cstc2017rgznzdyfx0022)
国家自然科学基金面上资助项目(61572091)