歡迎來到《每周CV論文推薦》。在這個專欄裡，還是本着有三AI一貫的原則，專注于讓大家能夠系統性完成學習，是以我們推薦的文章也必定是同一主題的。
圖像修複（補全）是一個非常基礎的圖像處理領域，也是一個難度較大的方向，随着生成對抗網絡技術的成熟，基于GAN的圖像修複在傳統方法的基礎上取得了非常大的進展，本次我們來簡單給大家推薦一些初學者值得關注的工作。
作者&編輯 | 言有三
1 基本模型
由于GAN模型擁有很好的圖像生成能力，對于需要修複的部位，直接使用GAN模型進行學習，通過對抗損失來限制生成比較真實的結果，Context encoders及其改進GLCIC模型就是最基本的模型，是研究基于GAN的圖像修複問題必讀的初級論文。
文章引用量：6000+
推薦指數：✦✦✦✦✦
[1] Pathak D, Krahenbuhl P, Donahue J, et al. Context encoders: Feature learning by inpainting[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 2536-2544.
[2] Iizuka S, Simo-Serra E, Ishikawa H. Globally and locally consistent image completion[J]. ACM Transactions on Graphics (ToG), 2017, 36(4): 1-14.
2 注意力模型
在圖像修複領域中，不管是傳統方法還是基于深度學習模型的方法，上下文資訊都是非常重要的，因為待修複區域内容是完全缺失的，必須從未缺失區域中采集資訊進行補全，注意力機制可以得到很好的應用。
文章引用量：1700+
推薦指數：✦✦✦✦✧
[3] Yu J, Lin Z, Yang J, et al. Generative image inpainting with contextual attention[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2018: 5505-5514.
3 條件監督模型
由于圖像修複問題本身難度較大，尤其是對于缺失區域面積較大的内容很難補全，如果有額外的資訊監督，将有利于生成結果的穩定性，比如目标的邊緣輪廓，或者其他确定性的語義資訊，如人臉的關鍵點。
文章引用量：1500+
推薦指數：✦✦✦✦✦
[4] Yu J, Lin Z, Yang J, et al. Free-form image inpainting with gated convolution[C]//Proceedings of the IEEE International Conference on Computer Vision. 2019: 4471-4480.
[5] Xiong W, Yu J, Lin Z, et al. Foreground-aware image inpainting[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019: 5840-5848.
[6] Nazeri K, Ng E, Joseph T, et al. Edgeconnect: Structure guided image inpainting using edge prediction[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision Workshops. 2019: 0-0.
4 圖像修複應用
圖像修複的應用非常廣泛，從水印去除，到照片的刮痕、異物、反光遮擋等資訊去除，甚至于陰影去除，凡是在圖中有不想要的目标，都可以使用圖像修複方法進行去除，是以盡管圖像修複問題比較難，研究的熱度也一直不低。
文章引用量：200+
推薦指數：✦✦✦✦✧
[7] Ding B, Long C, Zhang L, et al. Argan: Attentive recurrent generative adversarial network for shadow detection and removal[C]//Proceedings of the IEEE/CVF international conference on computer vision. 2019: 10213-10222.