索引 

1. 第一篇论文：

   • 标题：Image inpainting based on deep learning: A review
   • 作者：Xiaobo Zhang, Donghai Zhai, Tianrui Li, Yuxin Zhou, Yang Lin
   • 发表年份：2023
   • 期刊：Information Fusion
   • DOI：10.1016/j.inffus.2022.08.033https://doi.org/10.1016/j.inffus.2022.08.033

2. 第二篇论文：

   • 标题：Image inpainting based on deep learning: A review
   • 作者：Zhen Qin, Qingliang Zeng, Yixin Zong, Fan Xu
   • 发表年份：2021
   • 期刊：Displays
   • DOI：10.1016/j.displa.2021.102028https://doi.org/10.1016/j.displa.2021.102028

论文对比

 两篇论文都聚焦于深度学习在图像修复领域的应用，但它们的侧重点有所不同：

 2023年论文《Image inpainting based on deep learning: A review》：
   - 侧重于系统地总结和分析过去15年深度学习技术在图像修复领域的研究进展。
   - 详细讨论了基于不同神经网络结构的图像修复方法，包括CNN、GAN以及它们的变体。

 2021年论文《Image inpainting based on deep learning: A review》：
   - 更侧重于介绍和比较单阶段和渐进式修复技术的分类方法。
   - 强调了数据集在图像修复研究中的作用，并提供了常用的图像修复数据集的概述。
   - 对比了不同图像修复方法的性能，并探讨了如何结合先验知识和深度学习框架来提高修复质量。

以上均截自2023年论文

截自2021年论文

1. 研究范围和深度：

   • 2023年的论文提供了一个广泛的综述，涵盖了过去15年深度学习在图像修复领域的研究进展，包括技术发展、应用场景和未来挑战。
   • 2021年的论文则更侧重于介绍和比较不同的图像修复方法，特别是基于深度学习的方法，以及这些方法在特定数据集上的性能。

2. 技术细节：

   • 2023年的论文深入探讨了不同的神经网络结构（如CNN和GAN）及其在图像修复中的应用。
   • 2021年的论文则详细讨论了单阶段和渐进式图像修复方法，以及它们在处理不同类型损坏时的优缺点。

3. 应用场景：

   • 2023年的论文根据图像修复的应用场景进行了分类，如对象移除和图像生成等，并讨论了这些场景下的技术挑战。
   • 2021年的论文则通过比较不同方法在特定数据集上的性能，强调了数据集在图像修复研究中的作用。

4. 未来研究方向：

   • 2023年的论文指出了图像修复领域亟待解决的问题，并提出了未来研究的建议，如高分辨率图像修复和评估指标的选择。
   • 2021年的论文则通过对比分析，探讨了如何结合先验知识和深度学习框架来提高图像修复的性能。

总的来说，2023年的论文提供了一个更全面的视角，涵盖了图像修复的多个方面，包括技术、应用和未来挑战。而2021年的论文则更专注于深度学习模型的选择和性能比较，以及数据集在这一领域的重要性。

论文框架

2023篇

• 2.背景 (Background)
  • 2.1. 图像修复问题 (Image inpainting: the problems)
  • 2.2. 深度学习 (Deep learning)
• 3.基于卷积神经网络的图像修复方法 (Image inpainting methods based on convolutional neural network)
  • 3.1. 不同类型的卷积神经网络在图像修复中的应用 (Different kinds of convolutional neural networks in image inpainting)
    • 3.1.1. 全卷积网络 (Fully Convolutional Network)
    • 3.1.2. U-Net网络 (U-Net)
    • 3.1.3. 特征融合 (Feature fusion)
  • 3.2. 不同卷积方式的比较 (Comparison of different convolutions in image inpainting)
  • 3.3. 图像修复训练目标 (Image inpainting training target)
• 4.基于生成对抗网络的图像修复方法 (Image inpainting methods based on generative adversarial network)
  • 4.1. 经典图像修复网络Context Encoder及相关研究 (Classical image inpainting network Context Encoder and related research)
  • 4.2. 图像修复中常见的四种GAN变体 (Four common GAN variants in image inpainting)
• 5.图像修复的应用研究 (Application research of image inpainting)
  • 5.1. 不同场景下的图像修复 (Image completion in different scenarios)
    • 5.1.1. 一般场景下的图像修复 (Image inpainting of general scenes)
    • 5.1.2. 特殊场景下的图像修复 (Image inpainting in special scenes)
  • 5.2. 去遮挡(Disocclusion)
  • 5.3. 图像生成 (Image generation)

2021篇

• 2.相关工作 (Related works)
  • 2.1. 图像修复任务 (Image inpainting tasks)
  • 2.2. 传统图像修复 (Traditional image inpainting)
  • 2.3. 基于生成网络的图像修复 (Image inpainting based on generative network)
• 3.基于深度学习的图像修复方法 (Image inpainting methods based on deep learning)
  • 3.1. 单阶段修复 (Single-stage inpainting)
    • 3.1.1. 单结果修复 (Single result inpainting)
      • (1) Context-encode
      • (2) Globally and Locally Consistent
      • (3) Partial Convolutions
      • (4) Pyramid-context Encoder
      • (5) PRVS
      • (6) Recurrent Feature Reasoning
      • (7) Mutual Encoder-Decoder
    • 3.1.2. 多元修复方法 (Pluralistic inpainting approaches)
      • (1) Pluralistic Image Completion
      • (2) UCTGAN
  • 3.2. 渐进式图像修复 (Progressive image inpainting)
    • 3.2.1. 低分辨率图像修复 (Low-resolution image inpainting)
      • (1) Contextual Attention
      • (2) Gated Convolution
      • 3.2.2. 高分辨率图像修复 (High-resolution image inpainting)
        • (1) Contextual Residual Aggregation
        • (2) Iterative Confidence Feedback and Guided Upsampling
  • 3.3. 基于先验知识的图像修复 (Inpainting based on prior knowledge)
    • 3.3.1. 边缘引导的图像修复 (Contour edge guided image inpainting)
      • (1) FAII
      • (2) EdgeConnect
    • 3.3.2. 生成先验引导的图像修复 (Generative prior guided image inpainting)
      • (1) PGG
      • (2) DGP
• 4.图像修复数据集 (Image inpainting datasets)
  • 本章描述了用于图像修复研究的常用数据集，包括CelebA、ImageNet、Places2和Paris Street View等，以及不规则遮罩数据集，这些数据集为图像修复提供了标准化的测试环境。
• 5.讨论与分析 (Discussion and analysis)
  • 本章对比了不同图像修复方法在各种数据集上的性能，指出了当前方法在处理复杂纹理、大孔洞和高分辨率图像时的局限性，并探讨了如何结合领域知识和深度学习框架来提高修复效果。