[人工智能] image inpainting 还有哪些优化的点啊

🥇 版权: 本文由【墨理学AI】原创首发、各位读者大大、敬请查阅、感谢三连
🎉 声明: 作为全网 AI 领域干货最多的博主之一，?? 不负光阴不负卿 ??

0-9

📙 如果直接问、有哪些潜在的 Trick ?

这些 Trick 当然是有的，可问题是、如果这些 Trick 那么好实现、好验证
你、我、或者其它卷到这个赛道的小伙伴、难道不会自己去实现、然后水一篇SCI、实力 + 运气好上波顶会？

世上无难事，只怕有心人，卷起来？各位

0-9

从不同角度、思路去归类、单图像修复这一个小领域就能有好些个研究路线

我这边只是从事过半年左右的图像修复领域、深度学习方面的学习归纳

接下来总结的内容也属于个人拙见、不敢以偏概全

希望能够带给刚刚跨入这个赛道的小伙伴一些参考（大佬、请勿当真）

我们首先梳理一下现有主流研究方向（最起码有如下 8 种类型，可归类为图像修复领域研究）

1-0

从 Mask 类型来区分，会有

从网络结构方面来大致分类

3.1. Single-stage inpainting

 3.1.1. Single result inpainting
 
 3.1.2. Pluralistic inpainting approaches

3.2. Progressive image inpainting

 3.2.1. Low-resolution image inpainting
 
 3.2.2. High-resolution image inpainting

3.3. Inpainting based on prior knowledge

 3.3.1. Contour edge guided image inpainting
 
 3.3.2. Generative prior guided image inpainting

简单、记录几个自己之前学习阶段、准备去琢磨、却因为工作变动未能深入下去的点，个人拙见、仅供参考

图像修复之 coarse-to-fine 网络精进（这里存在两阶段、一阶段图像修复、有提升空间；个人之前的思路是：网络层复用、从而在保持甚至微弱提升性能的前提下、减少模型参数、使得单张图像推理速度更快、个人觉得这个路子可行性还是可以的）
图像修复之 coarse-to-fine 网络精进总结
从图像修复网络结构的卷积、改进入手（其它领域的创新的卷积结构、照搬过来、没准有意外收获、这就是一个碰运气的实验过程，你如果直接能够设计一个新的卷积、那更牛了）
细而深的网络结构 | 图像修复五大卷积 | 后续关注的知识点
判别器（看看其他大佬、或者其他领域是否有新的判别器、可以拿来套用，借鉴、改进）
损失函数（损失函数这些都是好几年才能出一个新的相对有通用性的高质量损失函数、这个更看运气、如果你的数学功底足够好、可以自行创造改进、这种的大概率是可以投一个顶会了）
再有就是其他领域已经比较火热的一些新的 Trick (Transformer、Self-Attention 机制、XXX 机制… 这些很多都是交叉、碰撞出来的、拿来主义也罢、就看谁会是第一个吃螃蟹的人)

5-0
相信不远的未来、深度学习、人工智能、创新实验、很有可能像生化实验一样、控制变量、排除择优（相信很多人已经在这样卷的路上了）