基于快速傅里叶变换和选择性卷积核网络的图像补全

摘要：

较传统方案而言,目前基于深度学习的图像补全方法取得了更优的修复效果.但大都忽视了建立像素的长距离依赖,深度学习模型处理大面积不规则缺失时效果不佳、生成图像整体契合度不足.另一方面,很多通过融合多尺度感受野来保留更多细节信息的补全算法,由于无法动态的调节感受野,而受到输入尺度与补全目标尺度变化带来的影响,最终导致生成结果产生明显的伪影误差.针对这类问题,本文提出一种基于快速傅里叶变换和选择性卷积核网络的补全算法,在实现像素长距离依赖的同时保证模型的高效率运行.此外,本算法还改进了选择性卷积核网络,可按照各卷积核特征的贡献,自适应调整相应权重,从而为模型提供精确的局部性信息补充,最终生成全局融合度更高、局部细节更丰富的补全结果.在Celeb-A和Place2数据集的实验表明,本文方法不仅在PSNR和SSIM指标上超越了现有的前沿图像补全方法,且处理受遮挡率为80％以上的图像时具有明显优势,能够生成更真实地结果.

关键词：深度学习、图像补全、注意力机制、快速傅里叶变换、大面积缺失

所属期刊栏目：32

分类号：TP391;TN911.73;TP181

资助基金：四川省科技厅重点研发项目;四川省科技厅重点研发项目

在线出版日期：2023-11-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：149-158