面膜Pix2Pix网太阳能图像的过度曝光区域恢复

摘要

如发生极其紫色太阳爆发，这意味着信号强度超出一个望远镜的成像系统的动态范围，导致信号的损耗过度接触可发生于太阳能观察摄像。例如，太阳耀斑期间，太阳动力学观测（SDO）的大气成像组件（AIA）经常过度曝光记录图像/视频，导致太阳耀斑的精细结构的损失。本文通过努力来获取/通过利用深度学习其强大的非线性表示，这使得它广泛应用于图像重建/恢复恢复过度曝光的信息缺失。首先，一种新的模式，即掩模Pix2Pix网络，提出了过度的恢复。它是建立条件生成对抗网络（cGAN）的知名Pix2Pix网络上。此外，混合动力损失函数，包括对抗损耗，掩蔽L1损失和边缘质量损失/平滑度，用于寻址相对于常规的图像恢复过度曝光的挑战被集成在一起。此外，过度的一个新的数据库，建立了训练所提出的模型。大量的实验结果表明，该面罩Pix2Pix网络可以很好地恢复过度曝光的信息缺失，优于最初设计用于图像重建任务的艺术状态。

1.介绍

太阳成像可以为我们提供更多的信息，比对太阳活动的一维的太阳能通量，促进我们的探测太阳的神秘能力特别是，船上的卫星仪器比地面的仪器，由于具有良好的视宁度和nonocclusion更有优势。在过去的几十年里，背着太阳的探测仪器的卫星数量已经推出了包括YOHKOH [1],SOHO [2-4]，TRACE [五],立体声[6，7,日之出8]，和SDO [9-12]。这些空间仪器可以为我们提供前所未有的时间节奏、高动态范围和高空间/频率分辨率的太阳观测。例如，SDO上搭载的大气成像仪(AIA)可以每12秒成像12个波长的太阳大气，空间分辨率为 。

目前，卫星携带的太阳仪器能够以前所未有的高时间频率和高空间分辨率记录太阳活动的全过程。这些记录的图像和视频为科学家提供了揭示太阳活动本质的机会，如太阳黑子、长丝、日冕环、耀斑或日冕物质发射(CME)。然而，对于一些极紫的太阳爆发，信号强度可能超过望远镜的阈值，导致过度曝光;因此，在捕获的图像/视频中丢失了信息。虽然有针对耀斑的自动曝光控制算法，比如通过控制曝光时间来减少过度曝光，但是AIA通过在低曝光和长曝光之间的交替来避免过度曝光，但并不能保证完全避免过度曝光。此外，时间节奏会增加，因此时间分辨率会受到影响。为了解决过度曝光问题，在[13]。不同于(13，我们通过深度学习来解决这个问题。

近日，以在其非线性表示深度学习的强大能力的优势，大量的传统图像处理/重建问题取得了新的突破，比如图像降噪，超分辨率，图像修复。因此，在这项工作中，我们决定采取深度学习的优势，以恢复过度曝光区域（OER）。通过图像修复的启发，我们的任务可以被改写成图像修复的一个类似的优化问题。两者都被提出使用根据信号的连续性周围像素的图像中恢复丢失的区域。然而，对于我们的任务，也有相对于传统的图像修复至少三大挑战。首先，信号的保真度是必需的，不仅仅是相似者，因为担心在我们的任务中的数据被用于科学目的，例如，计算物理参数。其次，较大的OER来讲在我们的任务比较形象的绘画。在复杂的边界最后，更不规则OER结果的形状的连接开放式教育资源和nonOERs /正常区域。这些边界应当被抑制以防止像素值的不自然的变化。

现有的图像绘画方法可分为三类:基于扩散、基于拼接和基于学习。从我们的经验来看，基于扩散和基于补丁的方法都不能为OER的恢复提供有效的结果。基于扩散的方法[14，15]高度限制为本地可用的信息，所以他们追不到大缺欠区域的有意义的结构，就像在我们TAKS开放式教育资源。基于补丁的方法[16-19假设缺失区域(OER)可以在给定的图像中找到其最相似/相关的补丁。然而，这种假设不适用于OERs。现有的基于学习的绘画方法不能胜任我们的任务，原因有二。首先，一些基于学习的方法，如[20-23]和[24，用固定的形状和缺失区域的位置训练它们的网络，而OERs通常表现出不规则的形状和随机的位置。其次，尽管有关于绘画图像中不规则缺失区域的研究，如[25-28，他们专注于生成视觉上连贯的完成或产生语义上可信的结果。然而，我们的任务旨在以高保真度恢复丢失的OER，而不仅仅是视觉上似是而非的结果。

为了应对上述挑战，我们提出了一种基于学习的模式，即，面具Pix2Pix网络，估计太阳能图像的OER。我们的网络是建立在Pix2Pix [29]，它是使用条件生成对抗网络（cGAN）[用于图像到图像的翻译一般网络三十]。我们采用与Pix2Pix类似的架构：U-网[31]在生成器和帕奇根[三十在鉴别器。本文的主要改进和贡献如下:(1)与传统的Pix2Pix不同，我们的网络采用了convolu- switchnormo - lrelu /ReLU [32]模块(编码器用LReLU，解码器用ReLU)，而不是卷积batchnormrelu [33)的。前(即。，switchable normalization) can switch between BatchNorm [33]，LayerNorm [34]，和InstanceNorm [35以端到端的方式了解它们的重要性。改进后的模型结构增强了网络的鲁棒性。(2)我们的目标函数包含一个对抗的cGAN损失、一个掩蔽的L1损失和一个边缘掩蔽损失/平滑度。对抗性cGAN损失可以捕获他们所模拟的条件分布的全部熵，从而产生高度逼真的纹理。掩蔽的L1损失只在掩蔽区域(OERs)中计算L1损失，在低频率上强制执行正确性，这保证了OERs高保真度的恢复。边缘掩模损失用于平滑边缘和抑制最终恢复图像中的边缘伪影。(3)此外，我们亦建立了一个新的过量曝光数据库，以训练和测试拟建的掩模- pix2pix网络，该网络收集了来自大型太阳动力学观测图像数据库(LSDO)的13700幅图像[36]。

背景

2.1。图像修复

图像inpainting是对图像中丢失或损坏的部分进行重建的过程。时至今日，它在理论上和计算上仍然具有挑战性。这是极不适宜的。现有的图像绘制算法可分为三类，基于扩散的[14，15]，贴片为主[16-19]和学习为主。前两种通常使用微分算子或补丁相似传播从正常区域的信息到丢失的区域。他们为固定纹理工作。然而，基于扩散的有高度限制为本地可用的信息，所以他们通常无法恢复大缺失区的有意义的结构。基于补丁的，如平面结构制导（PSG）18]及类似补片的统计数字(SSPs) [19]，假设缺失区域可以从给定的输入图像的正常区域找到自己最相似/相关补丁。这种假设并不适用于我们的任务，其中OER可能不会有类似的补丁。

近日，深学习型的方法已经成为了图像修补一个有前途的范例。在常规的在于自己的能力他们的显著优势，学习和了解与复杂场景图像的语义。上下文编码器（CE）[21]引入了一个深对抗性模型来预测具有组合2逐像素重建损耗和损失对抗性合理结构。虽然对抗性损失提高了图像修补质量，结果显示模糊和含有显着的文物。为了克服CE的局限性[21]的方法，Iizuka等人的[23]提出了一种具有三个网络的新架构:补全网络(使用扩展卷积[20]），全局和局部上下文鉴别。然而，用两个鉴别器的训练模式是耗时的，并且输出在很大程度上依赖于泊松图像混合[37]作为后期处理。多尺度神经补片合成(MNPS) [22]的方法包含内容网络学习的语义和所述图像的全局结构和纹理网络通过采用预训练的VGG-19 [以产生精细详述结果38)网络。Liu等人[25介绍了一种用于不规则形状孔的局部卷积(PC)模型，该模型采用了一个自动的掩模更新步骤来减少伪影。在个人电脑[25]的方法，所述卷积掩蔽和重新归一化仅在有效像素为条件。两者的MNPS [方法22]及个人电脑[25]添加电视损耗项，以促进1像素的孔边界扩展的平滑性。因此，它们避免了使用后处理步骤(如泊松图像混合操作)来加强孔边界附近的纹理一致性。

2.2。使用Pix2Pix进行图像到图像的转换

Pix2Pix [29]利用条件生成对抗网络（cGAN）三十]，以实现图像到图像的翻译。Pix2Pix的生成器使用u形网[31]架构，其中编码器层和解码器层直接通过“跳过连接”连接。由于跳跃连接可以将底层信息(通常在输入和输出图像之间共享)跨越编解码器网络的瓶颈，因此有效地提高了图像到图像的翻译性能。合成的图像不应该被反向训练的鉴别器从真实图像中分辨出来。为了对高频进行建模，鉴别器采用了卷积的PatchGAN分类器，即，只有在一定规模的斑块结构是不利的。通过这种方法，补丁被认为是一种纹理丢失的形式。总之，至少有三个因素使得Pix2Pix网络能够超越过去的工作:生成器的U-Net架构，鉴别器的卷积补丁分类器，以及网络训练的cGANs。

3.该方法

3.1。问题描述

图中简单解释了过度曝光问题1，其中地面真实图像 ，过度图像 ，二进制掩码地图 ，和边缘掩码图很担心。OER恢复的任务是恢复被标记的区域在 ，和外部区域保持不变。由于OER和nonOER ，我们可以得到和 ，哪里是元素明智的产品操作符。受图像inpainting的启发，利用神经网络GAN，可以对缺失的区域进行检索(例如, )。在甘，发电机G被训练成成对的地面真相和堕落真相。然后，将生成器应用于已降级的图像，输出已修复的图像，即 。

对于我们的任务，应符合下列准则:（一种）恢复后的图像应该尽可能具有真实的纹理。，视觉上连贯，语义上可信（b）中恢复地区应该具有相对于相应区域的地面实况高保真（C）应避免人工边缘（ ）周围的OERs,即。，the boundary between OERs and normal regions should transit smoothly.

为了实现(3.1)和(3.1)，我们使用了传统的Pix2Pix网络，并对其进行了改进，加入了掩模L1损失项。为了解决(3.1)，引入了边缘掩模损耗/平滑项，其中ground-truth边缘掩模通过掩模地图边缘给定如图1。

3.2。太阳能OER恢复数据库

训练我们的模型，过度暴露一个数据库建立。的原始数据被从LSDO [裁剪36]。LSDO数据库记录由三个不同的部分组成:事件记录、对应的图像和提取的图像参数。事件记录包含生成和提取属性的太阳事件列表。其中，包围框属性由四个坐标像素值组成。LSDO已将事件记录的所有原始多边形值从其Helioprojective Coordinates (HPC)太阳坐标系中预处理为像素。这个预处理步骤对于使多边形与数据库中的高分辨率图像兼容至关重要。有关LSDO的更多详细信息可参考文献[36]。

在这项工作中，脚踏实地从图像的活动区（AR）在LSDO裁剪。该数据库建立如下：（1）根据LSDO中AR的多边形值，从未过度曝光的AIA/SDO图像中裁剪出相应的AR正方形区域，得到 。（2）规模变成相同大小的(256，然后在上面加上标签由阈值分割：超过阈值（例如0.8）的像素值（从0到1）被设定为1。由此，我们得到 。（3）标签OERs ( ）在作为掩模图 ，和扩张与圆形内核（半径为3）。扩张面具地图用分段法计算掩蔽L1损失3.3。(4)提取 ，边缘宽度为5像素。这个边缘蒙版映射占款边缘掩模损失/平滑3.3。

由此，在数据库中的每个样品中含有四个部分：实像 ，曝光过度（假的）图像 ，面具地图 ，和边缘掩码图 。

3.3。网络体系结构

所提出的掩码- pix2pix网络由鉴频器和发生器组成。生成器采用U-Net架构，如图所示2。U形网是根据它的形状来命名的，它看起来像一个“U”。它由一个8层的编码器和一个8层的解码器组成。各层参数如表所示1详细。此外，跳过连接都在相同的层编码器和解码器之间添加作为示于图2虚线。每一个跳转连接只是将编码器的feature map与同一层的解码器的feature map连接起来(例如，和在升-图中第层2)。这种跨层连接可以减少相应层编码器和解码器之间的信号间隔，因为它们在U-Net结构中距离太远。鉴别器为PatchGAN网络，其结构如表所示2。在一个GAN框架中，鉴别器是判断“假”实例和“真”实例。在我们的工作中，鉴别器的输出是a图像，每个像素值，其中范围从0到1，用于测量实际是怎样的输出。此外，我们采用卷积SwitchNorm-LReLU / RELU [32]代替卷积BatchNorm-RELU [33]，而传统的Pix2Pix [29在该模型。前者被证明是更稳健。

3.4。损失函数

这是非常重要的，通过使用机器学习来设计modelings损失函数。我们的任务是恢复开放式教育资源的缺少信号的图像，其中大部分是涉及重构信号，像素值的过渡自然逼真英寸它在共同与图像修复的东西，但不一样的。因此，一种新的混合损失函数是专为OER恢复任务如下。

由于地面实况图像 ，退化图像 ，初始二进掩模（1开放式教育资源），和地图的边缘 ，如示图1，发生器输出 。对于训练模型，定义了一种混合损失函数，该函数由三部分组成:(1)针对重建图像的高保真度，提出了一种对抗cGAN损失的方法相对于真实 ，其被定义为

哪里G和d的目标，分别表示生成器和鉴别器G为最大限度地减少 以便更像是一个真正的而不是虚假的形象，而d追求最大的 尽量区分“假”与“真”。数字3说明了对抗性训练cGAN，其中鉴别借口两个任务的过程。左边的一个是，以鉴别和是一对“真”与“假”。另一个权利是歧视是一个“真实”或“假”，其中发电机G是否接受过制造假货以欺骗鉴别者的培训d,而d他接受了尽可能识别“假货”的训练。（2）掩蔽区域的L1丢失关系到 ，以精确重建OER为目标，其定义为: （3）只有边缘遮罩L1丢失，可以使OERs的边缘平滑，防止人工边缘连接OERs和nonOERs。它被定义为

综上所述，最终优化目标为 哪里和是用于组合上述三种损耗部件的权重。它们被设置为在我们的经验0.1。

4.实验结果

为了评价所提出的掩模像素化模型，将其与其他最先进的图像绘制算法进行了比较。此外，还评估了损失函数各因素对总体性能的贡献。这两个实验是在我们合成的过度曝光图像上进行的。然后，在真实的太阳图像上对预训练的掩模pix2pix模型进行评价。

4.1。实施细则

我们运用我们的模型曝光过度训练数据库款所述被人为地建造LSDO3.2。对于训练，输入图像大小为小批量大小设置为16。我们用ADAM optimizer来训练我们的模型[39] 通过设置 ， ，和 。初始学习速率被初始化为0.0002，然后降低到每100个历元的一半。我们应用PyTorch上NVIDIA的Tesla P100的模型训练。

4.2。与最先进方法的比较

我们比较建议的面膜Pix2Pix与基于补丁平面结构指南（PSG）18]和基于学习的Pix2Pix网络[29]。数字4显示了对3个样本的比较，可以发现所提出的掩码- pix2pix生成的图像质量明显优于其他两个基准。在三种比较方法中，PSG [18是最糟糕的。可以发现，如图所示，PSG对于OERs的恢复并没有起到足够的作用4。Pix2Pix [29]可能低估了缺失的区域，重建后仍在OERs中心留下过度暴露。我们使用峰值信噪比(PSNR)和结构相似度指数(SSIM)定量测量它们的性能[40]。PSNR和SSIM给出在图每个重建图像的下方4。平均PSNR和SSIM也计算整个数据库（1600个样本）上，在表中列出3。It can be observed that the proposed model outperforms other two benchmarks significantly, achieving up to 5 dB relative to the Pix2Pix [29]和15db相对于PSG [18]。

4.3。评价损失函数的每个组件

为了评估每个损失部分的贡献，我们进行了以下三个测试:（1）整个图像上的对抗损失和传统的L1损失，即 ;（2）对抗损失和屏蔽损失L1，即 （3）对抗性损失，掩蔽L1损失，边缘掩蔽损失/平滑度，即 。

数字五举例说明三组不同训练损失的经验。我们可以发现，尽管具有光滑的缺失区域和正常区域之间的边界，它失败来估计准确的强度和缺失区域的内容。从蒙面损失受益，可以获得较好的强度和缺失区域的内容估计;然而，它产生人工边缘如在图中第一和第三图像中所示五。与混合训练的网络损失优于其他两个，成功地解决了上述三个标准的小节3.1。

建议模式的另一项改善是取代convolu- batchnorm /ReLU [33]在Pix2Pix [29]通过卷积-开关- lrelu /ReLU [32]，这是由表的第二行和第三行见证3。在表3中，第二行列出了平均PSNR和Pix2Pix的SSIM与卷积BatchNorm-RELU [33]，而第三行是针对Pix2Pix的卷积- switchnorm- lrelu /ReLU [32]。可以看出，第三行在PSNR和SSIM方面都明显优于第二行，证明了convolu- switchnorm- lrelu /ReLU的有效性。

4.4。对真实太阳图像的讨论和测试

在实际的图像AIA，过度曝光区域涉及两个影响：初步饱和（PS）和次级饱和度（SS）[13]。PS指的是这样一个事实:对于强烈的入射通量，CCD像素失去了容纳额外电荷的能力。SS指出了这样一个事实，即聚苯乙烯会使电荷扩散到相邻的聚苯乙烯上。此外，过度曝光常常伴随着衍射，在图像中形成一种类似星星的图案。然而，并没有与曝光过度相匹配的地面真实图像。因此，我们在合成数据库上训练掩模pix2pix模型，其中从LSDO裁剪出饱和图像。

我们在2017年9月10日X8.2的flare图像上进一步测试了我们预先训练好的mask-Pix2Pix模型。结果如图所示6。测试结果表明，该预训练的模型恢复强度在一定程度上，而文件来恢复耀斑的精细结构。

5。结论

我们提出了一种混合损耗函数的掩模-像素- pix网络来优化太阳图像中OERs的恢复。该模型能较好地处理图像中各种形状、大小和位置信息。此外，对损失函数各分量的评价表明，传统cGAN之外的两个增量分量对模型有重要贡献。此外，对convolu- switchnormo - lrelu /ReLU的研究也表明，与传统的convolu- switchnormo -ReLU相比，该方法可以获得更好的性能。然而，我们的模式的一个限制是，它可能在高纹理区域和大的OERs上失败，如图所示7，这将在我们未来的工作中进一步研究。

数据可用性

用来支持这项研究的结果的数据是可用的，请相应的作者。而在未来，用于支持该研究的结果数据将在网上公布。

的利益冲突

作者宣称，他们没有利益冲突。

参考文献

1. K.柴田，Y.石藤，L. W.阿克顿等人，“用YOHKOH软X射线望远镜透视射流的观测，”日本天文学会刊物卷。44，第L173-L179，1992。视图:谷歌学术搜索
2. 克来特，J. P.德拉布迪尼埃，K. P.德尔和P.库尼翁，“EIT:极紫外成像望远镜”，inCESRA研讨会论文集，第251卷，施普林格，波斯特丹，Gemany, 1995。视图:谷歌学术搜索
3. J.P。Delaboudiniere，G. Artzner，J. Brunaud等人，“EIT：极紫外线成像望远镜对于SOHO任务”。在SOHO的使命，第291-312，施普林格，柏林，德国，1995年。视图:谷歌学术搜索
4. 五，多明戈，B.弗莱克和A. I.波兰，“SOHO的使命：概述，”SOHO的使命，第162卷，否。1-2，第1-37页，1995年。视图:出版商网站|谷歌学术搜索
5. B. N. Handy, L. W. Acton, C. C. Kankelborg等人，《过渡区和日冕探勘者》太阳物理学卷。187，没有。2，第229-260，1999。视图:谷歌学术搜索
6. R. A.霍华德，J. D.摩西，A Vourlidas等人，“太阳地球连接日冕和太阳风层探测器调查（萨克氏），”空间科学评论卷。136，没有。1-4，第67-115，2008年。视图:出版商网站|谷歌学术搜索
7. M. L.凯瑟，T.A。Kucera的，J.M.达维拉，O. C. S. CYR，M. Guhathakurta和E.基督教，“立体声使命：导言，”立体声使命卷。136，没有。1-4，第5-16，2008。视图:出版商网站|谷歌学术搜索
8. 高杉、松崎、坂尾等，“日之出(太阳b)任务:概览”，中在日出团，第5-19，施普林格，柏林，德国，2007年。视图:谷歌学术搜索
9. 李文志，“太阳动力学观测卫星上的大气成像装置”，国立台湾大学地球物理研究所硕士论文太阳动力学观测台，第17-40，施普林格，柏林，德国，2011。视图:谷歌学术搜索
10. 帕斯奈尔，汤普逊，钱伯林，“太阳动力学观测台”，台北太阳动力学观测台，第3-15页，施普林格，柏林，德国，2011。视图:谷歌学术搜索
11. 张建新，“太阳动力学观测台中大气成像组件(aia)的初始校准”，台中太阳动力学观测台，第41-66，施普林格，柏林，德国，2011。视图:谷歌学术搜索
12. “太阳动力学观测台(sdo)的日震磁像仪(hmi)研究”，太阳物理学，第275卷，不。1-2页207-227,2012。视图:出版商网站|谷歌学术搜索
13. S.古斯塔维诺，M.皮亚纳，A. M. Massone，R.施瓦茨，和F.本韦努托，“太阳能扩口风暴去饱和EUV观测，” 2019年，http://arxiv.org/abs/1904.04211。视图:谷歌学术搜索
14. 巴莱斯特，贝塔米奥，卡塞莱斯，萨皮罗和韦德拉，“通过向量场和灰度的联合插值来填充，”IEEE图像处理会刊，第10卷，第3期。8，第1200-1211页，2001年。视图:出版商网站|谷歌学术搜索
15. 埃赛多格鲁和沈，“基于mumford-shah-euler图像模型的数字画”，欧洲应用数学杂志，第13卷，第3期。4，第353-370页，2002。视图:出版商网站|谷歌学术搜索
16. C.巴恩斯，E. Shechtman，A.芬克尔斯坦和D. B.戈德曼“Patchmatch：用于结构的图像编辑的随机对应关系的算法，”ACM图形事务(ToG)卷。28，没有。3，P。24，2009年。视图:谷歌学术搜索
17. S. Darabi, E. Shechtman, C. Barnes, D. B. Goldman和P. Sen，“图像融合:使用基于补丁的合成将不一致的图像组合起来，”ACM交易的图形卷。31，没有。4，第82-91，2012。视图:出版商网站|谷歌学术搜索
18. J.-B.黄，S. B.康，N.的Ahuja，和J. Kopf的“采用平面结构引导图像完成后，”ACM图形事务(TOG)，第33卷，不。4、2014年第1-10页。视图:出版商网站|谷歌学术搜索
19. 何国强，“使用相似修补程式统计的影像补全方法”，IEEE模式分析与机器智能会刊，第36卷，不。2014年第2423-2435页。视图:出版商网站|谷歌学术搜索
20. F. Yu和V. Koltun，“通过扩展卷积实现多尺度上下文聚合”，2015年，http://arxiv.org/abs/1511.07122。视图:谷歌学术搜索
21. D.帕塔克，P.克拉恩布尔，J.多纳休，T.达雷尔，和A. A.埃弗罗斯，“上下文编码器:通过绘画的特征学习”计算机视觉和模式识别的IEEE会议论文集2016年6月，美国内华达州拉斯维加斯2536-2544页。视图:谷歌学术搜索
22. 杨，陆，林，谢克特曼，王，李，“高解像度图像在多尺度神经补片合成中的应用”，国立中央大学资讯工程学研究所硕士论文计算机视觉和模式识别的IEEE会议论文集2017年7月，美国檀香山，6721-6729页。视图:谷歌学术搜索
23. S.饭冢，E.西莫-塞拉和H.石川，“全局和局部一致的图像完成后，”ACM图形事务(ToG)，第36卷，不。4，第1-14页，2017年。视图:出版商网站|谷歌学术搜索
24. 宋英、杨、林等，“情境化的绘画意象:推演、匹配与翻译”，载于《当代中国绘画艺术》欧洲计算机视觉会议记录(ECCV)2018年9月，德国慕尼黑，第3-19页。视图:谷歌学术搜索
25. G.刘F. A. Reda的，K. J.施，T.-C.王A.涛和B.卡坦扎罗，“图像修复不规则孔使用部分回旋，”在欧洲计算机视觉会议记录(ECCV)2018年9月，德国慕尼黑，第85-100页。视图:谷歌学术搜索
26. 严，李，李，左，单，“移网:透过深层特徵重排的绘画影像”，中欧洲计算机视觉会议记录(ECCV)， 1-17页，德国慕尼黑，2018年9月。视图:谷歌学术搜索
27. 问：萧，G力，并问：陈，“深成立以来生成的网络认知图像修复，” 2018年，http://arxiv.org/abs/1812.01458。视图:谷歌学术搜索
28. K. Nazeri，E.伍，T.约瑟夫，F.库雷希和M.埃布拉希米，“Edgeconnect：与对抗边缘学习生成图像修复”，2019年，http://arxiv.org/abs/1901.00212。视图:谷歌学术搜索
29. P.伊索拉，J.-Y.朱，周T.，和A. A. Efros，“图像 - 图像平移与条件敌对网络”，在计算机视觉和模式识别的IEEE会议论文集，第1125至1134年，2017年。视图:谷歌学术搜索
30. M.米尔扎和S. Osindero，“条件生成对抗性网，” 2014年，http://arxiv.org/abs/1411.1784。视图:谷歌学术搜索
31. O. Ronneberger, P. Fischer, T. Brox和U-net，“卷积网络在生物医学图像分割中的应用”国际医学图像计算和计算机辅助干预会议， pp. 234-241，施普林格，柏林，德国，2015。视图:谷歌学术搜索
32. P.罗，J.仁和Z.鹏，“可微学习到正常化通断的正常化，” 2018年，http://arxiv.org/abs/1806.10779。视图:谷歌学术搜索
33. S.约费和C. Szegedy，“批正常化：通过减少内部协变量移加速深网络训练，” 2015年，http://arxiv.org/abs/1502.03167。视图:谷歌学术搜索
34. J. Lei Ba, J. R. Kiros，和G. E. Hinton，“层正常化”，2016，http://arxiv.org/abs/1607.06450。视图:谷歌学术搜索
35. D. Ulyanov, A. Vedaldi，和V. Lempitsky，“实例规范化:快速程式化的缺失成分”2016，http://arxiv.org/abs/1607.08022。视图:谷歌学术搜索
36. A. KUCUK，J. M.班，和R. A. Angryk，“计算机视觉应用的大型太阳能动力学观测图像数据集，”科学数据，第4卷，第3期。1、文章ID 170096, 2017。视图:出版商网站|谷歌学术搜索
37. P. Rez, M. Gangnet和A. Blake，“泊松图像编辑”，ACM交易的图形卷。22，没有。3，第313-318，2003。视图:谷歌学术搜索
38. K. Simonyan和A. Zisserman，“用于大规模图像识别的深度卷积网络”，http://arxiv.org/abs/1409.1556。视图:谷歌学术搜索
39. 王德平，“随机最优化的方法”，学习表征国际会议，2014，https://arxiv.org/abs/1412.6980。视图:谷歌学术搜索
40. 王，波维克，希克，西蒙赛利等，“图像质量评估:从错误可见性到结构相似度”，IEEE图像处理会刊，第13卷，第3期。4，第600-612页，2004年。视图:出版商网站|谷歌学术搜索

版权

版权所有©2019赵冬等人。这是下发布的开放式访问文章知识共享署名许可，允许在任何媒体上不受限制地使用、分发和复制，前提是正确引用了原文。