全局与局部一致的图像修复：siggraph2017_inpainting项目指南

全局与局部一致的图像修复：siggraph2017_inpainting项目指南

siggraph2017_inpainting Code for the paper 'Globally and Locally Consistent Image Completion'. http://iizuka.cs.tsukuba.ac.jp/projects/completion/ 项目地址: https://gitcode.com/gh_mirrors/si/siggraph2017_inpainting

---

项目介绍

本项目是基于论文《全局与局部一致的图像完成》(Globally and Locally Consistent Image Completion)的实现，由Satoshi Iizuka, Edgar Simo-Serra和Hiroshi Ishikawa共同完成，并在ACM Transactions on Graphics（SIGGRAPH 2017会议论文集）上发表。通过深度卷积网络学习，该方法能够填充任意形状缺失区域的图像，利用全局和局部上下文判别器确保修复结果的一致性。项目地址：https://github.com/satoshiiizuka/siggraph2017_inpainting

项目快速启动

要快速启动并运行此项目，首先需确保您的开发环境已安装必要的依赖项：

1. 安装Torch7：参照Torch7的官方文档进行安装。
2. 添加额外依赖：确保nn, image, nngraph包已经包含在你的Torch7安装中。还需安装torch-opencv（可选，但用于后处理），通过luarocks命令luarocks install cv安装，需先安装OpenCV 3.1。

下载预训练模型以立即开始实验：

bash download_model.sh

之后，使用以下命令执行图像修复：

th inpaint.lua --input path/to/your/image.png --mask path/to/your/mask.png

如果不指定掩模(--mask)，程序将自动生成随机洞口的掩模。若希望在GPU上运行，加上--gpu true选项。

应用案例与最佳实践

应用案例

此工具适用于自然景观图片修复，尤其是在户外场景下表现最佳。它能处理任意大小和任意形状的缺失区域，尽管训练时的图片尺寸范围建议在长边256至384像素之间，且洞口尺寸在96至128像素间。对于这类尺寸的孔洞，修复效果最为理想。

最佳实践

• 使用前，请考虑输入图像的尺寸与模型训练时的尺寸范围相匹配，以获得最佳修复效果。
• 对于含有大型缺失区域或边缘附近的孔洞，可能因模型的空间支持限制而无法完美填补。
• 在处理超大尺寸图像时，适当调整--maxdim参数以避免内存溢出。
• 开启后处理(--postproc true)以优化结果，但需确保torch-opencv正确安装。

典型生态项目

由于本项目专注于图像修复技术，其在学术界和工业界的直接“生态”通常体现在图像编辑、增强现实、数字艺术创作等领域。开发者可以将其集成到图像处理软件、照片编辑应用或是AI艺术创作平台中，改善用户体验或提升内容创作能力。不过，具体到“典型生态项目”，该项目本身即是核心，围绕它的扩展更多发生在开发者社区内，通过二次开发或与其他视觉算法结合实现创新应用。

---

本指南提供了基本的指引来启动和使用siggraph2017_inpainting项目，开发者可根据自己的实际需求进一步探索和定制。

siggraph2017_inpainting Code for the paper 'Globally and Locally Consistent Image Completion'. http://iizuka.cs.tsukuba.ac.jp/projects/completion/ 项目地址: https://gitcode.com/gh_mirrors/si/siggraph2017_inpainting