Inpainting
PulseAugur coverage of Inpainting — every cluster mentioning Inpainting across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的GAFIC方法通过全局注意力增强图像裁剪
研究人员开发了一种名为全局注意力融合图像裁剪（GAFIC）的新图像裁剪方法，旨在通过考虑图像组件之间的全局关系，而不是仅仅关注显著区域，来改善美学构图。GAFIC利用注意力引导特征融合（AGFF）来创建全局表示，并利用全局对齐裁剪评估器（GACE）将裁剪特征与该表示对齐。实验表明，GAFIC在准确性和稳定性方面均优于现有方法，为需要像素完整性和高效批量处理的场景提供了解决方案。
-
Fast Equivariant Imaging 加速无监督深度学习训练
研究人员推出了一种新的无监督学习框架 Fast Equivariant Imaging (FEI)，旨在加速深度成像网络的训练。FEI 使用不精确变量分裂方案重新构建了 Equivariant Imaging 目标，将网络训练与辅助恢复步骤分开。这种新颖的方法在 X 射线 CT 重建和图像修复等任务上，与标准的 Equivariant Imaging 相比，训练时间加速了十倍，同时还提高了泛化性能并实现了高效的测试时适应。
-
新方法增强用于图像生成的视觉自回归模型
研究人员开发了新方法来提高视觉自回归模型的效率和性能。一种方法，Shift-and-Sum Quantization（移位求和量化），解决了图像生成任务中注意力值乘积的重建误差和校准数据差异。另一个框架UniAR，使用单一视觉分词器统一多模态理解和生成，通过多级特征融合和比特量化在图像生成和编辑方面取得了最先进的成果。
-
研究统一了贝叶斯逆问题的驱动先验
一篇新的研究论文提出了一个统一的框架，用于将各种数据驱动的先验集成到贝叶斯逆问题中。该研究展示了如何通过得分函数统一各种先验，包括去噪正则化、基于归一化流的先验和基于得分的生成模型。这种方法允许有效地集成到提出的采样算法中，并在图像修复和超分辨率任务中得到实验验证。
-
图像修复研究揭示奖励模型偏差
研究人员利用直接偏好优化框架和公开可用的奖励模型，重新审视了图像修复的首选项对齐。他们的研究表明，虽然大多数奖励模型提供了有效的信号，但一些模型在亮度、构图和颜色方面存在偏差，导致奖励破解。这些奖励模型的集成有效地缓解了这些偏差，在标准指标和人类评估方面均取得了改进的性能，甚至显示出对物体移除任务的可迁移性。