要約
画像補完技術は、最近、生成対抗ネットワーク（Generative Adversarial Networks: GANs）の支援により有望な改善を示しています。しかし、これらの方法の多くは、不合理な構造やぼけた結果という問題に直面していました。本論文では、この問題を軽減するために、一段階モデルを提案します。このモデルは、拡張畳み込みの密集的な組み合わせを使用して、より大きく効果的な受容野を得ることを目指しています。このネットワークの特性により、不完全な画像の大域的な領域をより容易に回復することが可能になります。効率的なジェネレータの訓練をさらに向上させるために、頻繁に使用されるVGG特徴量マッチング損失に加えて、不確かな領域に焦点を当てて意味論的な詳細を強化する新しい自己誘導回帰損失を設計しました。また、予測特徴量と真値特徴量間のピクセルベースの距離を補正するための幾何学的アライメント制約項も考案しました。生成された画像の品質向上のために、局所ブランチでのディスクリミネータ特徴量マッチングも導入しました。これにより、合成パッチと真値パッチの中間特徴量の類似性が動的に最小化されます。複数の公開データセットにおける広範な実験により、当方針が現行の最先端手法を超えることが示されました。コードは https://github.com/Zheng222/DMFN で入手可能です。