導讀

本文給出了圖像恢復的一般性框架，編解碼器 + GAN，后面的圖像復原基本都是這個框架。

本文會介紹圖像修復的目的，它的應用，等等。然后，我們將深入研究文獻中關于圖像修復的第一個生成模型（即第一個基于GAN的修復算法，上下文編碼器）。

目標

很簡單的！我們想要填補圖像中缺失的部分。

應用

移除圖像中不需要的部分（即目標移除）

修復損壞的圖像（可以擴展到修復電影）

很多其他應用！

術語

給出一個有一些缺失區(qū)域的圖像，我們定義

缺失像素/生成像素/空洞像素：待填充區(qū)域的像素。

有效像素/ground truth像素：和缺失像素含義相反。需要保留這些像素，這些像素可以幫助我們填補缺失的區(qū)域。

傳統(tǒng)方法

給出一個有一些缺失區(qū)域的圖像，最典型的傳統(tǒng)方法填充缺失區(qū)域是復制粘貼。

主要思想是從圖像本身或一個包含數(shù)百萬張圖像的大數(shù)據(jù)集中尋找最相似的圖像補丁，然后將它們粘貼到缺失的區(qū)域。

然而，搜索算法可能是耗時的，它涉及到手工設計距離的度量方法。在通用化和效率方面仍有改進的空間。

數(shù)據(jù)驅動的基于深度學習的方法

由于卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks， CNNs）在圖像處理方面的成功，很多人開始將CNNs應用到自己的任務中。基于數(shù)據(jù)驅動的深度學習方法的強大之處在于，如果我們有足夠的訓練數(shù)據(jù)，我們就可以解決我們的問題。

如上所述，圖像修復就是將圖像中缺失的部分補上。這意味著我們想要生成一些不存在或沒有答案的東西。因此，所有基于深度學習的修復算法都使用生成對抗網(wǎng)絡（GANs）來產(chǎn)生視覺上吸引人的結果。為什么視覺上吸引人呢？由于沒有模型來回答生成的問題，人們更喜歡有良好視覺質量的結果，這是相當主觀的！

對于那些可能不知道GANs的讀者，我推薦你先去了解一下。這里以圖像修復為例，簡單地說，典型的GAN由一個生成器和一個鑒別器組成。生成器負責填補圖像中缺失的部分，鑒別器負責區(qū)分已填充圖像和真實圖像。請注意，真實的圖像是處于良好狀態(tài)的圖像（即沒有缺失的部分）。我們將隨機地將填充的圖像或真實的圖像輸入識別器來欺騙它。最終，如果鑒別器不能判斷圖像是被生成器填充的還是真實的圖像，生成器就能以良好的視覺質量填充缺失的部分！

第一個基于GAN的修復方法：上下文編碼器

在對image inpainting做了簡單的介紹之后，我希望你至少知道什么是image inpainting， GANs（一種生成模型）是inpainting領域常用的一種。現(xiàn)在，我們將深入研究本系列的第一篇論文。

Intention

作者想訓練一個CNN來預測圖像中缺失的像素。眾所周知，典型的CNNs（例如LeNet手寫數(shù)字識別和AlexNet圖像分類）包含許多的卷積層來提取特征，從簡單的結構特征到高級的語義特征（即早期層簡單的特征，比如邊緣，角點，到后面的層的更復雜的特征模式）。對于更復雜的功能模式，作者想利用學到的高層語義特征（也稱為隱藏特征）來幫助填充缺失的區(qū)域。

此外，為修復而學習的特征需要對圖像進行更深層次的語義理解。因此，學習到的特征對于其他任務也很有用，比如分類、檢測和語義分割。

背景

在此，我想為讀者提供一些背景信息，

Autoencoders：這是一種通常用于重建任務的CNN結構。由于其形狀，也有人稱之為沙漏結構模型。對于這個結構，輸出大小與輸入大小相同，我們實際上有兩個部分，一個是編碼器，另一個是解碼器。

編碼器部分用于特征編碼，針對輸入得到緊湊潛在的特征表示，而解碼器部分則對潛在特征表示進行解碼。我們通常把中間層稱為低維的“瓶頸”層，或者簡單地稱之為“瓶頸”，因此整個結構看起來就像一個沙漏。

讓我們想象一下，我們將一幅完好無損的圖像輸入到這個自動編碼器中。在這種情況下，我們期望輸出應該與輸入完全相同。這意味著一個完美的重建。如果可能的話，“瓶頸”是輸入的一個完美的緊湊潛在特征表示。

更具體地說，我們可以使用更少的數(shù)字來表示輸入（即更有效，它與降維技術有關）。因此，這個“瓶頸”包含了幾乎所有的輸入信息（可能包括高級語義特征），我們可以使用它來重構輸入。

上下文編碼器進行圖像生成

首先，輸入的是mask圖像（即有中心缺失的圖像）。輸入編碼器以獲得編碼后的特征。然后，本文的主要貢獻是在編碼特征和解碼特征之間放置通道全連接層，以獲得更好的語義特征（即“瓶頸”）。最后，解碼器利用“瓶頸”特征重建缺失的部分。讓我們來看看他們的網(wǎng)絡內(nèi)部。

編碼器

編碼器使用AlexNet結構，他們用隨機初始化權值從頭開始訓練他們的網(wǎng)絡。

與原始的AlexNet架構和圖2所示的自動編碼器相比，主要的區(qū)別是中間的通道全連接層。如果網(wǎng)絡中只有卷積層，則無法利用特征圖上距離很遠的空間位置的特征。為了解決這個問題，我們可以使用全連接層，即當前層的每個神經(jīng)元的值依賴于上一層的所有神經(jīng)元的值。然而，全連接層會引入許多參數(shù)，8192x8192=67.1M，這甚至在GPU上也很難訓練，作者提出了通道全連接層來解決這個問題。

通道全連接層

實際上，通道全連接層非常簡單。我們只是完全獨立地連接每個通道而不是所有的通道。例如，我們有m個大小為n x n的特征映射。如果使用標準的全連接層，我們會有m2n?個參數(shù)，對于通道級的全連接層，我們只有mn?個參數(shù)。因此，我們可以在距離很遠的空間位置上捕獲特征，而不需要添加那么多額外的參數(shù)。

解碼器

對于解碼器來說，這只是編碼過程的反向。我們可以使用一系列的轉置卷積來獲得期望大小的重建圖像。

損失函數(shù)

本文使用的損失函數(shù)由兩項組成。第一項是重建損失（L2損失），它側重于像素級的重建精度（即PSNR方向的損失），但總是會導致圖像模糊。第二個是對抗損失，它通常用于GANs。它鼓勵真實圖像和填充圖像之間數(shù)據(jù)分布更接近。

對于那些對損失函數(shù)感興趣的讀者，我強烈推薦你們閱讀這篇論文中的方程。在這里，我只是口頭描述每個損失項。

重建損失（L2損失），M表示缺失的區(qū)域（1表示缺失區(qū)域，0表示有效像素），F(xiàn)是生成器

L2損失：計算生成的像素與對應ground truth像素之間的L2距離（歐幾里得距離）。只考慮缺失區(qū)域。

對抗損失，D是鑒別器。我們希望訓練出一種能夠區(qū)分填充圖像和真實圖像的鑒別器

對抗損失：對抗鑒別器的結構如圖4所示。鑒別器的輸出是一個二進制值0或1。如果輸入是真實圖像，則為1，如果輸入是填充圖像，則為0。

聯(lián)合損失，Lambda_rec為0.999，Lambda_adv為0.001

使用隨機梯度下降（SGD），Adam優(yōu)化器交替訓練生成器和鑒別器。

實驗結果

評估使用了兩個數(shù)據(jù)集，即Paris Street View和ImageNet。

作者首先展示了修復結果，然后他們還表明，作為預訓練步驟，學習到的特征可以遷移到其他任務中。

語義修復

作者與傳統(tǒng)的最近鄰修復算法進行了比較。顯然，該方法優(yōu)于最近鄰修復方法。

我們可以看到L2損失傾向于給出模糊的圖像（第二列）。L2 +對抗性的損失給更清晰的填充圖像。對于NN-Inpainting，他們只是復制和粘貼最相似的圖像補丁到缺失的區(qū)域。

特征學習

為了顯示他們學習到的特征的有用性，作者嘗試編碼不同的圖像patch，并根據(jù)編碼的特征得到最相似的patch。在圖7中。作者將其與傳統(tǒng)的HOG和典型的AlexNet進行了比較。它們實現(xiàn)了與AlexNet類似的表現(xiàn)，但AlexNet是在一百萬張標有數(shù)據(jù)集的圖像上預訓練的。

如表2所示，在ImageNet上預訓練過的模型具有最好的性能，但需要昂貴的標簽。在該方法中，上下文是用于訓練模型的監(jiān)督。這就是他們所謂的通過修復圖像來學習特征。很明顯，它們學習到的特征表示與其他借助輔助監(jiān)督訓練的模型相當，甚至更好。

總結

所提出的上下文編碼器訓練可以在上下文的條件下生成圖像。在語義修復方面達到了最先進的性能。

學習到的特征表示也有助于其他任務，如分類，檢測和語義分割。

要點

我想在這里強調(diào)一些要點。

對于圖像修復，我們必須使用來自有效像素的“提示”來幫助填充缺失的像素。“上下文”一詞是指對整個圖像本身的理解。

本文的主要貢獻是通道全連接層。其實，理解這一層并不難。對我來說，它是Non-Local Neural Networks或Self-Attention的早期版本/簡化版本。主要的一點是，前一層的所有特征位置對當前層的每個特征位置都有貢獻。從這個角度來看，我們對整個圖像的語義理解會更加深入。這個概念在后面的文章中被廣泛采用！

所有后來的修復論文都遵循了GAN-based結構（即編碼器-解碼器結構）。人們的目標是具有良好視覺質量的充滿圖像。

英文原文：https://medium.com/analytics-vidhya/introduction-to-generative-models-for-image-inpainting-and-review-context-encoders-13e48df30244

編輯：jq