论文部分内容阅读
现有的图像补全方法可以很好地对缺失图像进行补全处理,但是其中基于传统图像处理方法补全算法的补全能力有限,而基于生成对抗网络(GAN)的方法都需要大量训练数据和训练时间,且对于边界缺失的区域不能有效处理。为了克服这些问题,提出一种将数据场与生成对抗网络相结合的图像补全模型,在损失函数中引入势能损失,最小化补全区域产生的势能分布与真实图像对应区域产生的势能分布的差距。通过由重构损失、对抗损失和势能损失构成的联合损失函数进一步优化补全结果,同时加速模型的收敛速度。本模型在Caltech-UCSD bird