【新智元导读】图像修复（Image inpainting）是一个已经被广泛研究的计算机视觉问题，即恢复图像中缺失的部分。斯坦福大学CS230课程的Mark Sabini等人提出“Image outpainting”，比图像修复更进一步，能从一个图像片段“推断”出外延的部分，补全成整个画面。这篇论文获得了CS230期末poster的第一名，效果非常惊艳。
代码和论文地址：
https://github.com/bendangnuksung/Image-OutPainting
https://cs230.stanford.edu/projects_spring_2018/posters/8265861.pdf
这是Painting Outside the Box: Image Outpainting 这篇论文的代码实现。这篇论文在吴恩达的斯坦福大学CS230课程中获得了期末Poster的第一名。
图像修复（Image inpainting）是一个已经被广泛研究的计算机视觉问题，涉及恢复图像中缺失的部分。
目前最先进的图像修复方法方法包括Satoshi Iizuka等人在SIGGRAPH 2017提出的基于GAN的方法[1]，以及NVIDIA的Guilin Liu等人提出的基于CNN的方法[2]。
在这个研究中，我们的目标是将[1]的方法拓展到修复图像之外的部分（outpainting），即补全超出图像边界的画面。
通过递归地进行outpainting，可以任意地扩展图像。
问题描述和数据准备
给定一幅 m × n 的源图像 ，生成一幅 m × (n + 2k) 的图像，其中
处于的中心
要看起来真实而且自然
要解决的问题是：m=128，n=64，k=32
数据
baseline图像：128×128的RGB城市图像
数据集：Place365-Standard [3]
包含36500张256×256的RGB图像，被降低采样到128×128
100张图像用于验证
Place365数据集中城市图像的样本
数据预处理：
给定图像,标准化成 [0,1] →
定义mask M：
定义补足的mask
计算的平均像素强度
设
堆叠
输出
方法
训练Pipeline：
使用与文献[1]类似的DCGAN结构（G，D）；
给定Itr，进行预处理来得到In和Ip；
运行G（Ip）来得到outpainted的图像Io；
在Io和ground-truth In上运行D；
训练Schedule：
用于调节G和D的三阶段训练；
阶段i：使用Adam（Ir=0.0001，β1=0.9，β2=0.999，ε=10-8）在迭代Ti中优化损失（i）；
在18：2：80的分片中选择T1，T2，T3
α=0.0004控制MSE损失
后处理：
将Io重整化为[0，255]→
使用泊松克隆（Seamless Cloning）来将和进行混合
模型
结构
除了G和D的最后一层之外，每一层都是ReLU。G和D的输出是Sigmoid函数。其中，η是伸缩因子(dilation factors)。
Outpainting
验证集中保留图像样本的修复结果，与原始ground-truth一起显示。模型训练了100个时段（相当于227,500次迭代），批量大小为16。
Places365的MSE损失
在Place365中训练MSE损失。不同阶段的背景颜色是不同的。在阶段3中，由于将联合损失（joint loss）进行了优化，MSE损失有小幅度增长。
本地标识符（Local Discriminator）
使用本地标识符进行训练，减少了垂直条带并提高了色彩保真度，但是增加了artifact和训练时间。
扩张（dilation）的影响
网络的训练在城市图像上过拟合了。在扩张不足的情况下，由于接受域有限，网络无法outpaint。
递归的outpainting
在扩展和填充之后，可以将图像输入到网络中。递归地将这个过程进行重复操作，将图像的宽度扩大到3.5。正如期望的那样，噪声随着连续迭代而混合。
结论
最终实现了图像的outpainting；
三阶段的训练有助于其稳定性；
对于outpainting，扩张卷积对充分的神经元接受域至关重要
虽然会伴随噪声和误差，但对outpainting进行递归是可行的。
用Keras实现Image Outpainting
在代码实现中，我们对256*256的图像进行了一些修改:
添加了Identity loss，即从生成的图像到原始图像
从训练数据中删除了patches（训练pipeline）
用裁减（cropping）代替了掩膜（masking）（训练pipeline）
添加了卷积层
结果
模型用海滩的数据训练了200 epochs。
Recursive painting
用Keras实现Image Outpainting
- 准备数据：
- 构建模型
要从头开始构建模型，你可以直接运行’outpaint.ipynb'，或
你可以下载训练完成模型，并将其移到“checkpoint/”，然后运行它。
模型下载地址：
https://drive.google.com/file/d/1548iAtsNf3wLSc1i5zYy-HX8_TW95wi_/view?usp=sharing
Reference：
[1] S. lizuka, E. Simo-Serra, and H. Ishikawa. Globally and Locally consistent image completion. ACM Transactions on Graphics (TOG), 36 (4) : 107, 2017.
[2] G. Liu, F. A. Reda, K. J. Shih, T.-C. Wang, A. Tao, and B. Catanzaro. Image inpainting for irregular holes using partial convolutions. arXiv preprint arXiv:1804. 07723, 2018.
[3] B. Zhou, A. Lapedriza, A. Khosla, A. Oliva, and A. Torralba. Places : A 10 milLion image database for scene recognition. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017.
原文发布时间为：2018-07-30
本文来自云栖社区合作伙伴新智元，了解相关信息可以关注“AI_era”。
原文链接：吴恩达斯坦福CS230第一名：图像超级补全，效果惊艳（附代码）
