showed excellent results in photo e

showed excellent results in photo editing, but for our application the amount of the user intervention required by such methods would be prohibitive. The main idea of our approach is to simultaneously detect
directions of local structure propagation and adapt the candidate selection accordingly. We propose a fully automatic and low-complexity method for selecting the candidate replacement patches based on their agreement with the undamaged part of the target patch and with the neighboring undamaged areas, along directions where the structures are likely to propagate. Let i z denote an image patch centered at position , i (, ) S ij zz a certain measure of similarity between i z and , j z and denote by N , ik a directional neighborhood of i z along direction . k We define prior preference P, ij for selecting a source patch i z as a candidate replacement for the damaged target patch j z as follows:
The first term measures, as usual, the similarity with the known part of the target patch. The novelty is in the second term, which takes care of the agreement with the wider context around the target patch. In particular, the more the candidate patch i z fits with the neighborhood of the damaged patch j z in any direction where structures of interest are likely to propagate, the more preference it will get in the selection process.
Common measures of patch similarity are defined in terms of the sum of squared differences among the patches (, ) D ij zz, ij2zz =- calculated over the known pixels. We used (, )( ,) SD ij ij zz zz =- for the candidate selection in (3). With
this improved candidate selection process in combination with
simple greedy inpainting (selection of one replacement patch at
each position), we already obtain a clear improvement over the
earlier method from [7], as is visible in Figure 8 (notice, in particular, that the effect of deleting parts of letters is less severe).
One can also select multiple candidates, with several largest values of P, ij in (3) and subsequently solve the resulting “puzzle”
using a global optimization method like in [17] and [25]. It
would be interesting to explore also alternative solutions, like
the statistics of patch offsets [16] or hierarchical, superresolution-based inpainting [18].

ผลลัพธ์ (ไทย) 1:

แสดงให้เห็นว่าผลลัพธ์ที่ยอดเยี่ยม ในการแก้ไขภาพ แต่ สำหรับแอพลิเคชันของเราจำนวนขัดจังหวะโดยผู้ใช้ที่จำเป็นต้องใช้วิธีดังกล่าวจะห้ามปราม ความคิดหลักของวิธีการของเราจะตรวจสอบพร้อม ทิศทางของท้องถิ่นโครงสร้างเผยแพร่ และปรับเลือกผู้สมัครตามลำดับ เรานำเสนอวิธีการอย่างอัตโนมัติ และความ ซับซ้อนต่ำสำหรับเลือกโปรแกรมแทนผู้สมัครตามข้อตกลงของตน กับส่วนไม่เสียหายของโปรแกรมปรับปรุงเป้าหมาย และ พื้นที่ไม่เสียหายใกล้เคียง ตามทิศทางที่โครงสร้างที่มีแนวโน้มที่จะแพร่กระจาย ให้ฉัน z แสดงการแก้ไขรูปภาพแปลกตำแหน่ง zz ij แค S i () ที่วัดความคล้ายระหว่างฉัน z และ j z และแสดง โดย N, ik ย่านทิศทางของไอซีตามทิศทางการ k ที่เรากำหนดก่อนชอบ P, ij แคสำหรับเลือกแหล่งโปรแกรมแก้ไขฉัน z z j ปรับปรุงเป้าหมายเสียหายแทนผู้สมัครดังนี้: ในระยะแรกวัด ตามปกติ คล้ายกับส่วนของโปรแกรมปรับปรุงเป้าหมายรู้จักการ นวัตกรรมที่อยู่ในระยะที่สอง ที่จะดูแลข้อตกลงกับบริบทกว้างขึ้นรอบแก้ไขเป้าหมาย โดยเฉพาะอย่างยิ่ง มากขึ้นผู้สมัครแก้ไขฉัน z เหมาะสมกับพื้นที่ใกล้เคียงของ z j เสียแก้ไขในทิศทางที่จะเผยแพร่ การกำหนดลักษณะอื่น ๆ นั้นจะได้รับในการเลือกโครงสร้างที่น่าสนใจ มีกำหนดมาตรการทั่วไปของโปรแกรมปรับปรุงความคล้ายคลึงกันในแง่ของผลรวมของผลต่างกำลังสองระหว่างการปรับปรุง () D ij แค zz, ij2zz = - คำนวณกว่าพิกเซลที่รู้จัก เราใช้ () () SD ij แค ij แค zz zz =- สำหรับการเลือกผู้สมัครใน (3) มี กระบวนการเลือกผู้สมัครที่ดีขึ้นนี้ร่วมกับ อย่างตะกละ inpainting (เลือกหนึ่งแทนการปรับปรุงที่ แต่ละตำแหน่ง), เราแล้วได้รับการปรับปรุงที่ชัดเจนกว่านี้ ก่อนหน้านี้วิธี [7], เป็นแสดงในรูปที่ 8 (สังเกต โดยเฉพาะ ว่าผลของการลบส่วนของตัวอักษรความรุนแรงน้อยกว่า) สามารถเลือกหลายอันดับ ค่าหลายค่าที่ใหญ่ที่สุดของ P, ij แคใน (3) และต่อมาแก้ได้ "ปริศนา" ใช้วิธีการเพิ่มประสิทธิภาพของส่วนกลางเช่นใน [17] และ [25] มัน จะน่าสนใจให้บริการโซลูชั่นสำรอง นอกจากนี้เช่น สถิติของแพทช์ปรับค่า [16] หรือลำดับ ตาม superresolution inpainting [18]

ผลลัพธ์ (ไทย) 2:

แสดงให้เห็นผลลัพธ์ที่ยอดเยี่ยมในการแก้ไขภาพ แต่สำหรับโปรแกรมของเราจำนวนผู้ใช้ที่จำเป็นโดยวิธีการดังกล่าวจะเป็นที่ต้องห้าม
แนวคิดหลักของวิธีการของเราคือการพร้อมกันตรวจสอบทิศทางของการขยายพันธุ์โครงสร้างท้องถิ่นและปรับตัวเข้ากับการเลือกผู้สมัครตาม เราเสนอวิธีการอย่างอัตโนมัติและความซับซ้อนต่ำสำหรับการเลือกแพทช์แทนผู้สมัครขึ้นอยู่กับข้อตกลงกับส่วนที่เสียหายของแพทช์เป้าหมายและมีพื้นที่เสียหายเพื่อนบ้านตามทิศทางที่โครงสร้างมีแนวโน้มที่จะเผยแพร่ ให้ iz แพทช์แสดงภาพเป็นศูนย์กลางในตำแหน่งที่ฉัน () S เจ ZZ มาตรการบางอย่างของความคล้ายคลึงกันระหว่าง iz และ jz และแสดงโดย N, IK ย่านทิศทางของ iz ตามทิศทาง k เรากำหนด P ตั้งค่าก่อนเจแพทช์สำหรับการเลือกแหล่งที่มา iz เป็นผู้สมัครสำหรับการเปลี่ยนแพทช์เป้าหมาย jz
เสียหายดังนี้มาตรการระยะแรกเป็นปกติความคล้ายคลึงกันกับส่วนของแพทช์ที่รู้จักกันในเป้าหมาย ความแปลกใหม่อยู่ในระยะที่สองซึ่งจะดูแลข้อตกลงกับบริบทที่กว้างขึ้นรอบแพทช์เป้าหมาย โดยเฉพาะอย่างยิ่งที่มากกว่าที่แพทช์ผู้สมัคร iz เหมาะกับพื้นที่ใกล้เคียงของ jz แพทช์ที่เสียหายไปในทิศทางที่โครงสร้างใด ๆ ที่น่าสนใจมีแนวโน้มที่จะแพร่กระจาย, การตั้งค่ามากขึ้นก็จะได้รับในขั้นตอนการคัดเลือก.
มาตรการร่วมกันของความคล้ายคลึงกันแพทช์ที่กำหนดไว้ในข้อตกลง ของผลรวมของความแตกต่างของสองในหมู่แพทช์ (ที่) D เจ ZZ, ij2zz = - คำนวณมากกว่าพิกเซลที่รู้จักกัน เราใช้ () () SD เจเจ ZZ ZZ = - สำหรับการเลือกผู้สมัครใน (3) ด้วยขั้นตอนนี้การเลือกผู้สมัครที่ดีขึ้นร่วมกับการจัดการระบบสีโลภง่าย(การเลือกของแพทช์หนึ่งแทนในแต่ละตำแหน่ง) เรามีอยู่แล้วได้รับการปรับปรุงที่ชัดเจนมากกว่าวิธีการก่อนหน้านี้จาก[7] ในขณะที่ปรากฏอยู่ในรูปที่ 8 (แจ้งให้ทราบล่วงหน้าโดยเฉพาะอย่างยิ่ง ที่มีผลในการลบบางส่วนของตัวอักษรที่มีความรุนแรงน้อยกว่า). หนึ่งยังสามารถเลือกผู้สมัครหลายคนที่มีค่าที่ใหญ่ที่สุดหลาย P, IJ ใน (3) และต่อมาแก้ปัญหาที่เกิดขึ้น "ปริศนา" โดยใช้วิธีการเพิ่มประสิทธิภาพระดับโลกเช่นใน [17] และ [25] มันจะน่าสนใจในการสำรวจยังโซลูชันทางเลือกเช่นเดียวกับสถิติของแพทช์ชดเชย[16] หรือลำดับชั้น SuperResolution ตามการจัดการระบบสีบ [18]

ผลลัพธ์ (ไทย) 3:

แสดงผลลัพธ์ที่ยอดเยี่ยมในการแก้ไขภาพ แต่สำหรับโปรแกรมของเรา ยอดเงินของการแทรกแซงของผู้ใช้ต้องการ โดยวิธีการดังกล่าวจะห้ามปราม แนวคิดหลักของวิธีการของเราคือการตรวจสอบเส้นทางของการขยายพันธุ์พร้อมกัน
โครงสร้างท้องถิ่นและปรับให้เข้ากับการเลือกผู้สมัครตามเราเสนออย่างอัตโนมัติและวิธีการที่ซับซ้อนน้อยสำหรับการเลือกผู้สมัครเปลี่ยนแพทช์ตามข้อตกลงของตนกับส่วนที่เสียหายของแพทช์เป้าหมายและกับเพื่อนบ้านไม่เสียหายพื้นที่ตามเส้นทางที่โครงสร้างเป็นโอกาสในการเผยแพร่ ให้ฉันแสดงเป็นภาพที่แก้ไข Z ศูนย์กลางที่ตำแหน่ง I ( , ) เป็นมาตรการหนึ่งของ IJ zz Z ความคล้ายคลึงกันระหว่างผมและJ Z และแสดงโดย N IK เป็นทิศทางใกล้กับฉัน Z ตามทิศทาง K เรากำหนดก่อนการตั้งค่า p , IJ สำหรับเลือกแหล่งของแพทช์ผม Z เป็นผู้สมัครทดแทนส่วนที่เสียหายแก้ไขเป้าหมาย J Z ดังนี้
1 ภาคเรียนตามปกติ ความเหมือนกับรู้จักส่วนหนึ่งของแพทช์ของเป้าหมาย นวัตกรรม คือ ในระยะที่สองซึ่งจะใช้เวลาการดูแลของข้อตกลงกับบริบทที่กว้างขึ้นรอบแพทช์ของเป้าหมาย โดยเฉพาะยิ่งผู้สมัคร Patch ผม Z เหมาะกับบ้านที่เสียหายปะ J Z ไปในทิศทางใด ซึ่งโครงสร้างของอัตราดอกเบี้ยมีแนวโน้มที่จะเผยแพร่ ยิ่งโดนใจ จะได้รับการคัดเลือก
มาตรการทั่วไปของแพท คล้ายถูกกำหนดในแง่ของผลรวมของความแตกต่างระหว่างสองแพทช์ ( , ) D ij ZZ , ij2zz = - คำนวณมากกว่ารู้จักพิกเซล เราใช้ ( , ) ( , ij ij ไจ๋ไจ๋ ) SD = - สำหรับการเลือกผู้สมัครใน ( 3 ) กระบวนการคัดเลือกผู้สมัครกับ
นี้ขึ้นร่วมกับ
InPaintingComment โลภง่าย ( เลือกแทนหนึ่งแพทช์ที่
แต่ละตำแหน่ง )เรามีอยู่แล้วได้รับการปรับปรุงที่ชัดเจนกว่า
ก่อนหน้านี้วิธีการจาก [ 7 ] , จะปรากฏในรูปที่ 8 ( สังเกต โดยเฉพาะ ซึ่งผลของการลบส่วนของตัวอักษรที่เป็นรุนแรงน้อย )
หนึ่งยังสามารถเลือกผู้สมัครหลาย ที่มีค่ามากที่สุดหลายของ P , ij ( 3 ) และต่อมาได้แก้ปัญหาที่เกิด " ปริศนา "
ใช้ทั่วโลกเพิ่มประสิทธิภาพวิธีการเหมือนใน [ 17 ] และ [ 25 ] มัน
จะน่าสนใจเพื่อสำรวจยังโซลูชั่นทางเลือก เช่น
สถิติของแพทช์เหลื่อม [ 16 ] หรือลําดับชั้นตาม superresolution InPaintingComment [ 18 ]