1. 《Context Encoders: Feature Learning by Inpainting》

CVPR 2016

链接：https://arxiv.org/abs/1604.07379

Github代码：

基于torch：https://github.com/pathak22/context-encoder

基于pytorch：https://github.com/BoyuanJiang/context_encoder_pytorch

主要贡献：

提出了基于上下文像素预测驱动的无监督视觉特征学习算法，通过利用周围图像信息来推断损失部分的图像信息。其贡献点在于对于大范围图像损失，传统方法已经无法满足修复要求，作者首次提出了基于CNN和GAN的修补方法，首次较好地解决了大范围图像损失修补问题。

主要思路：（CNN+GAN）

通过结合Encoder-Decoder网络结构和GAN，利用L2损失（Reconstruction Loss）和对抗损失（Adversarial Loss）来修复图像。Encoder-Decoder结构用来学习全局图像特征和推断损失部分，GAN部分用来判断预测推断的图片和真实图片。不过一个主要的区别是，这里GAN只固定Generator，试图通过极大化Loss来训练更强的Discriminator。当GAN无法区分两者的区别时，则默认为网络模型参数已经达到最有状态。

缺陷：

1. 由于没有考虑填补区域与周围像素信息的一致性，得到的图片有时候缺少比较好的纹理细节，在填补的边缘能看到明显的痕迹。

2. 当输入图片较大时难以训练Adversarial Loss，因此无法解决高分辨率的图片修复问题;

3. 输入图片尺寸是固定的。

2. 《High-Resolution Image Inpainting using Muti-Scale Neural Patch Synthesis》

CVPR2017

链接：https://arxiv.org/abs/1611.09969

Github代码：

基于torch：https://github.com/leehomyc/Faster-High-Res-Neural-Inpainting

主要贡献：

提出了结合图像内容与纹理的多尺度CNN匹配方法，不仅可以保留纹理结构，而且可以通过提取分类网络的中间层生成高频细节部分。以一定方式解决了高清图像补全问题。

主要思路：（Encoder-Decoder + CNNMRF）

整体架构分为内容网络与结构网络。内容网络采用Encoder-Decoder 形式，其损失函数使用了L2损失和对抗损失的组合。结构网络采用训练好的VGG分类网络，原因在于其中间层的特征对于纹理变化表现出很强的不变性，因此有助于更加准确地补全缺失部分的内容。其损失部分分为三个部分，即Pixel-wise的欧式距离，基于已训练好纹理网络的feature layer的perceptual loss，和用于平滑的TV Loss。

缺陷：

纹理部分寻找patch时只是在该图片内寻找，没有利用数据集的数据。因此补全效果并没有特别理想。

参考

3. 《On-Demand Learning for Deep Image Restoration》

ICCV 2017

链接：https://arxiv.org/abs/1612.01380

Github代码：

基于torch：https://github.com/rhgao/on-demand-learning

主要贡献：自动对原始图像修复难度进行分级，然后进行图像填补，像素插值，去模糊，去噪。

4. 《Globally and Locally Consistent Image Completion》

SIGGRAPH 2017

链接：http://iizuka.cs.tsukuba.ac.jp/projects/completion/en/

Github代码：

基于torch：https://github.com/satoshiiizuka/siggraph2017_inpainting​github.com

基于TF：https://github.com/shinseung428/GlobalLocalImageCompletion_TF

基于Pytorch：https://github.com/akmtn/pytorch-siggraph2017-inpainting

主要贡献：

在Context Encoder中加入 Global context discriminator 和 Local context discriminator 使其从全局和局部两个角度判别生成效果的好坏。与此同时，可以修补任意不规则形状的缺损区域。

主要思路：

将需要进行填补的原始图片输入Encoder-Decoder网络，然后通过全局判别其和局部判别器从两个方面判别生成效果。全局判别器将完整图像作为输入，识别场景的全局一致性，而局部判别器仅在填充区域上观测，识别局部一致性。最后经过快速匹配方法[Telea 2004]后处理，从而将生成的边缘更加友好地融入全图。

[引]Alexandru Telea. 2004. An Image Inpainting Technique Based on the Fast Marching Method. Journal of Graphics Tools 9, 1 (2004), 23–34.

5. 《Image Inpainting for Irregular Holes Using Partial Convolutions》

ECCV 2018

链接：https://arxiv.org/abs/1804.07723

Github代码：

基于Pytorch：https://github.com/NVIDIA/partialconv

基于Pytorch：https://github.com/naoto0804/pytorch-inpainting-with-partial-conv

主要贡献：

可以解决任意形状缺损的图像修补，并且不需要额外的后期处理。