文献综述
文 献 综 述一、选题背景视觉是人们感知世界窗口，而图像则是视觉的载体，研究者对于图像的研究一直没有间断。
无论是传统的图像压缩，图像去模糊到当今热门的无人驾驶，图像分类，目标检测等，图像研究一直影响着人们的生活，提升人们的生活质量。
图像修复算法分为传统方法和基于深度学习的方法。
传统的图像修复往往基于纹理传播[1]和基于补丁的方式[1]进行修复，针对需要修复的区域，寻找纹理上最接近的背景区域对孔洞区域进行填充或者从周围背景区域开始向孔洞区域坍缩。
但是传统的方法仅仅基于图像表层信息进行建模，没有考虑图像的语义信息，这会导致其无法适用于复杂的修复场景，同时也无法修补大范围的孔洞区域。
随着深度学习的发展以及数据驱动的时代来临，近年来有学者将深度卷积神经网络与生成对抗网络结合进行图像修复，将需要修复的图像输入到神经网络并且计算并缩小输出图像与原图像的相似性使模型参数更新，同时对于修复后的图像运用生成对抗网络进行细节加强，提高修复结果的分辨率。
相比于以往的传统方法，基于深度学习的方法通过感知图像的语义信息对图像进行修复从而可以适用于复杂的场景，同时神经网络具有丰富的参数量从而可以解决大范围孔洞修补问题。
在深度学习的框架下，有许多方法对于图像生成的质量有着较大的提升包括不同的生成对抗损失，扩张卷积，注意力机制等。
以深度学习为代表的机器学习，正在逐渐席卷整个图形学研究领域。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
