Restauration d'images pour des zones aléatoires en utilisant des caractéristiques de contexte dense

Les réseaux de neurones convolutionnels profonds (DCNN) ont démontré leur potentiel pour générer des résultats raisonnables dans la restauration d'images. Certaines méthodes existantes utilisent la convolution pour générer des caractéristiques environnantes, puis passent ces caractéristiques par des couches entièrement connectées, et enfin prédisent les régions manquantes. Bien que le résultat final soit sémantiquement raisonnable, certaines situations floues sont générées parce que la convolution standard est utilisée, conditionnée par les pixels effectifs et les valeurs de substitution dans les trous masqués. Dans cet article, nous introduisons des blocs denses pour l'architecture U-Net, ce qui peut atténuer le problème de la disparition du gradient, tout en réduisant le nombre de paramètres. L'essentiel est que cela peut améliorer le transfert de caractéristiques et en faire une utilisation plus efficace. La convolution partielle est utilisée pour résoudre le problème des artefacts tels que les différences de couleur et le flou. Des expériences sur le jeu de données place365 démontrent que notre approche peut générer des résultats plus détaillés et sémantiquement raisonnables dans la restauration d'images de zones aléatoires.