FDInpaint：聚焦-分散范式驱动的梯度与块状一致性聚合图像修复网络

《Applied Sciences》：Focus-and-Disperse: A Fine-to-Broad Context Aggregation for Image Inpainting

　　尽管生成模型在图像修复中已展现出令人印象深刻的视觉合理性，但在高保真内容恢复方面仍面临挑战，因为生成的结构可能偏离真实世界的实际外观。本文中，为实现精确的修复结果，我们提出了聚焦-分散修复网络（FDInpaint），这是一种遵循聚焦-分散范式的由细到宽上下文聚合网络。具体而言，FDInpaint首先通过优化的梯度传播，专注于精确识别和重建细微细节与纹理，随后将这些精细线索扩散至整个图像，以将修复区域与已知内容无缝融合，从而保持全局视觉一致性。首先，考虑到图像纹理本质上由局部强度变化和几何过渡所表征，梯度信息为准确恢复缺失内容提供了必要的结构先验。通过捕捉互补的边缘变化和曲率变化，梯度传播能有效引导清晰边界、精细纹理和连贯结构的重建，同时减少内容生成过程中引入的模糊性和伪影。基于此，我们在跨尺度增强框架内设计了多粒度梯度细节感知器（MGDP），以显式定位并恢复难以仅通过语义特征恢复的细微微观结构。此外，我们提出了基于块状混合一致性聚合（PHCA），这是一种层次化一致性传播模块，能够逐步将优化区域从小型局部块扩展至更大的上下文块，并最终覆盖整幅图像。通过这一由块到图像的聚合过程，PHCA通过建模局部细节和全局依赖，不断将重建内容与已知区域对齐，从而实现无缝过渡并保持全局视觉一致性。该细化过程使得修复区域与已知区域之间能够无缝过渡，同时保持全局结构连贯性，且无需依赖随机采样。在Places2、CelebA-HQ、ICDAR和COCO数据集上进行的大量实验表明，与最先进的修复方法相比，FDInpaint在修复精度和视觉质量方面均实现了更优的性能。