一 、 G_L图像填充 （2017年）
接触第一个图像填充算法是Globle and local image inpaint.
这篇论文主要使用了两个loss,一个是G_loss，另外一个local_lose.
G_loss 是一个生成图像整体看是否属于真实图像，而local_loss是一个经典的像素差MSE。
最后是否属于真是图像这个部分，采用的图像的四分之一进行比较.
总体的loss是这两个loss的加权和。
论文里提到了对边缘的处理，处理之后效果会很好，但是并没有看到具体的代码。
给一张图像：
本图来自于论文本身
二、基于patch的图像填充（2018年）
这篇论文是基于patch_gan对G_L的算法的改进。
图像在相对较大的缺失区域上的修复区域最近通过专门的深部神经网络的适应得到了实质性的提高。然而，当前的网络解决方案仍然会向修复区域引入不需要的伪影和噪声。提出了一种基于著名的生成对抗网络（gan）框架的图像修复方法。所提出的PGGAN方法包括一个将全局GAN（G-GAN）体系结构与Patchgan方法相结合的鉴别器网络。pggan首先在g-gan和patchgan之间共享网络层，然后分割路径以产生两个敌对的损耗，这些损耗为生成器网络提供能量，以捕获图像纹理的局部连续性和图像中普遍的全局特征。对所提出的框架进行了广泛的评估，结果（包括与最新技术的比较）表明，该框架在视觉和定量评估方面都取得了相当大的改进。(来自原论文patch paint 的摘要翻译 )
网友评论