Inpainting d'objets en mouvement utilisant l'apprentissage profond

La peinture vidéo est conçue pour remplir les trous vidéo avec des matériaux plausibles. Malgré le succès énorme des réseaux neuronaux profonds pour la peinture d'images, en raison du facteur temps supplémentaire, il est difficile d'appliquer ces approches au domaine vidéo. Dans ce travail, nous introduisons un nouvel algorithme d'apprentissage pour la peinture vidéo. La peinture d'écran est une procédure vidéo qui complète les zones corrompues ou incomplètes. Le besoin de maintenir la cohérence temporelle ainsi que le besoin de garder la peinture vidéo en comparaison avec la peinture d'image pose des difficultés supplémentaires. Le réseau est qualifié pour masquer et adhérer aux contenus pertinents dans les images de référence pour inpaint le vide dans le cadre de référence. Le réseau D proposé comprend également un réseau pour former des matrices d'agencement afin de permettre au réseau de collecter des données pour des paramètres robustes après des réglages réservés destinés à calculer des matrices d'affinité. En comparaison avec l'algorithme de peinture d'image sophistiqué, notre système rend les vidéos encore plus semi-verticales et temporellement fluides. L'approche du réseau profond proposée est presque en temps réel et compétitive.