圖像補全（image inpainting）要求算法根據圖像自身或圖像庫信息來補全待修復圖像的缺失區域，使得修復後的圖像看起來非常自然，難以和未受損的圖像區分開。根據恐怖谷理論，只要填補內容和未受損區域有細微的不協調，就會非常顯眼。因此高質量的圖像補全不僅要求生成的內容語義合理，還要求生成的圖像紋理足夠清晰真實。
目前最好的圖像補全的方法主要分爲兩類：一類是經典的紋理合成方法，核心是從圖像的未受損區域採樣相似像素塊填充待補全區域。另一類是基於神經網絡的生成模型，該方法將圖像編碼成高維隱空間的特徵，再從這個特徵解碼成一張修復後的全圖。然而，這兩種方法在保證語義合理和紋理清晰的要求上都有其侷限性。
個人感覺這是一個很有意思的topic，以後會了解，先mark下來
《Learning Pyramid-Context Encoder Network for High-Quality Image Inpainting》
上面論文也出現了multi-scale的思路。後面會專門針對該論文寫一篇筆記