结构先验引导的双生成网络在图像修复中的应用及其对文化遗产保护的创新贡献

本文提出了一种结构先验引导的双生成网络（Bi-Generative Network, Bi-GNet），通过辅助网络（Ns）和修复网络（Ninp）的并行设计，结合空间坐标注意力（SCA）和自适应特征滤波（AFF）模块，有效解决了大规模缺失区域中语义结构一致性和纹理真实性的重建难题。该方法显著减少了训练过程中的噪声累积与传播，在多个公开数据集上达到先进性能，并成功应用于敦煌壁画（UNESCO世界遗产）的非侵入式修复，为文化遗产保护提供了高质量技术方案。

　　

Highlight

我们观察到，当图像的关键区域缺失或先验信息有限时，修复内容的可靠性会下降。实验表明，结构图像通常比细粒度纹理图像更容易重建，因为其复杂性较低。如图2所示，利用易于重建的结构信息指导纹理重建能显著提升修复精度。本文采用间隔（interval）策略优化这一过程。

Experiments

本节首先使用CelebA-HQ、Places2、Paris StreetView和敦煌壁画数据集评估所提方法，随后与其他先进方法进行对比，并详细展示实验结果。

Conclusion

本文提出了一种用于指导图像修复的双生成网络（Bi-GNet）。Bi-GNet包含辅助网络（N_s）和修复网络（N_inp）两个组件，二者在生成对抗网络（GAN）架构下统一。为解决空间依赖性问题，Bi-GNet引入了一种新颖的结构引导机制设计方法。通过并行生成策略，Bi-GNet有效避免了随机噪声的传播，并降低了时间成本。