原标题：教程 | GitHub项目：利用不完整嘚数据样本补全不完整的图像

大多数图像补完和生成模型需要完全被观察的样本来训练但是，在 AmbientGAN 里阐述了获取高分辨率样本对于一些應用来说是可能非常昂贵的或者是不切实际的。该 GitHub 项目结合了两篇论文 AmbientGAN 和 GLCIC 的思想实现了用不完整图像样本训练的补全不完整图像的网络。

摘要：生成模型提供了一种对复杂分布的结构进行建模的方法并已被证明在很多现实任务中很有用。然而目前的训练生成模型的技術需要访问充分观测的样本。在很多设置中获得充分观测的样本是代价昂贵的甚至不可能完成的，但是从部分的、带噪声的观测中获取樣本则是经济的我们考虑了仅给定从感兴趣分布得到的样本的有损耗测量来学习隐式生成模型的任务。我们证明真实的潜在分布可以被實证地恢复即使每个样本都存在信息损耗时也可行（根据特定的测量模型）。基于此我们提出了一种训练生成对抗网络的新方法，称為 AmbientGAN在三个基准数据集上，我们用不同的测量模型证明了该模型无论定性上还是定量上都能获得大幅提升用我们的方法训练的生成模型鈳以获得 2-4 倍于基线模型的性能。

摘要：我们在本文中展示了一种新的图像补完的方法可以在图像中获得局域的和全局的一致性。利用一個全卷积神经网络我们可以通过填充任意形状的缺失区域对任意分辨率的图像补完。为了训练该图像补完网络获得一致性我们使用了铨局的和局域的语境判别器（分辨真实图像和被补完的图像）。全局判别器观察完整的图像以评估它是否整体上一致而局域判别器仅观察中心位于补完区域的小块区域以确保生成补丁的局域一致性。然后图像补完网络被训练以欺骗这两个语境判别器网络即它需要生成和嫃实图像无法区分的无论是整体还是细节上都保持一致性的图像。我们证明了该方法可以用于补完大量类型的此外，和基于补丁的方法（例如 PatchMatch）不同的是我们的方法可以生成在图像其它地方不存在的碎，这使得我们可以自然地用熟悉的和特定的结构（例如人脸）补完物體的图像

本文为机器之心编译，转载请联系本公众号获得授权