原文链接：Coherent Semantic Attention for Image Inpainting (ICCV 2019). Hongyu Liu, Bin Jiang, Yi Xiao, Chao Yang [Paper][Code]

本文创新点：提出 coherent semantic attention (CSA) layer，保证修复区域和已知区域的语义一致性，使用Consistency loss对CSA进行训练，同时设计了特征块判别器（feature patch discriminator），实现更好的预测。

网络结构

网络主要分为两个部分：粗修复网络和细修复网络。

 其中， 为粗略预测图像， 为最终输出图像。

Coherent Semantic Attention（CSA）

CSA的主要思想：生成的patch不仅要考虑与已知区域的相似关系，还要考虑与上一次生成patch之间的关系。

Coherent Semantic Attention layer分为两个阶段：Search and Generate。

其中M是缺失区域， 为已知区域。

  代表两个相邻生成的patch之间的相似性， 代表缺失区域和已知区域之间最相似的patch。

Feature Patch Discriminator

本文还提出了特征块判别器，通过特征真假图片进行判别。

损失函数

Consistency loss

 其中 是VGG16所选层的激活图， 是CSA层之后的特征， 是解码器中对应的特征。

对抗损失

重构损失

 总体损失