從18年11月底開始看圖像修復這個領域的文章，到復現何凱明大神的paper，目前傳統領域的圖像修復算法也大致瞭解了一些，做一個總結，後續應該不會再有時間精力去看圖像修復的paper了。
總結
圖像修復可以分爲兩種，一種是面積比較小的，通常稱爲inpainting，這種可以認爲目前算法已經能處理得比較好了；另外一種則是面積相對大一些的，論文裏面都稱爲Image Completion，也是圖像修復的難點了。針對這些問題，目前看過的傳統（除開深度學習的那種）主要有以下幾種
- 應用變分法對修復區域進行修復的，這種算法需要迭代，比較慢，效果也不是特別好，對於面積稍大的區域會產生明顯的模糊效果。
- 基於邊界優先級的順序填充算法，代表作就是Criminisi的paper，圖像修復：Object Removal by Exemplar-Based Inpainting 學習筆記
- 基於patch-vote的space-time Completion，對於每個點周圍的patch進行投票作爲該點的修復值，比較像non-local mean的感覺，效果也不錯，adobe photoshop 5用的是這個算法。圖像修復: PatchMatch與Space-Time completion
- 基於offset的，用圖割算法解多標籤問題。這個只看了hekaiming的satistic of similar patch offsets,圖像修復三： Image Completion Approaches Using the Statistics of Similar Patches
不足
- 以上幾個算法都只能基於已有區域的信息來填充未知信息的區域，未出現在已知區域的內容無法預知填充。
- 對於已知區域的應用基本都只限於平移，而如果引入尺度，旋轉等變化，其計算複雜度呈級數上升，而且對於已知區域的應用基本都只限於平移，而如果引入尺度，旋轉等變化，其計算複雜度呈級數上升。
深度學習則可能可以同時解決以上兩個問題，由此看來通過大量數據和模型複雜的處理能力，的確可以將很多傳統算法中無法加入的先驗信息加入到算法中去，即使是未出現的圖片中的區域。
以上是這兩個月時間看inpainting算法的一個總結，後續應該會把更多精力放入到圖像恢復，分割等領域的傳統算法，或者是深度學習算法。