초록
인간은 이미지의 경계를 넘어서 존재하는 것을 예측하는 데 뛰어나지만, 딥 모델은 유지된 정보를 통해 문맥과 외삽을 이해하는 데 어려움을 겪습니다. 이 작업은 이미지 아웃페인팅(image outpainting)으로 알려져 있으며, 이미지의 경계를 실제적으로 확장하는 것을 포함합니다. 현재 모델들은 생성적 적대 네트워크(generative adversarial networks)를 사용하여 결과물을 생성하지만, 이 결과물들은 국소적인 이미지 특징 일관성이 부족하고 가짜로 보입니다. 우리는 이 문제를 개선하기 위해 두 가지 방법을 제안합니다: 국소 및 전역 판별기(local and global discriminator)의 사용과 네트워크 인코딩 섹션 내에 잔차 블록(residual blocks)을 추가하는 것입니다. 우리의 모델과 베이스라인 모델의 L1 손실, 평균 제곱 오차(MSE) 손실, 그리고 정성적인 차이 비교를 통해 우리의 모델이 기존 방법보다 객체 경계를 자연스럽게 확장하고 더 내부적으로 일관된 이미지를 생성할 수 있음을 확인할 수 있지만, 해상도가 낮은 이미지를 생성한다는 점에서 한계가 있습니다.