线描图缝隙检测与修复的数据驱动方法

1线描图接缝缝隙检测与修复Kazuma Sasaki Satoshi Iizuka Edgar Simo-Serra Hiroshi Ishikawa计算机科学与工程日本东京早稻田大学milky_kaid. ruri.waseda.jp{iizuka，esimo}@aoni.waseda.jphfs@waseda.jp摘要我们提出了一种新的数据驱动的方法，用于自动检测和完成与卷积神经网络的线条画的差距。在用于自然图像的现有修复方法的情况下，通常需要指示缺失区域的掩模作为输入。在这里，我们展示了线条画具有足够的结构，可以通过CNN学习，以允许自动检测和完成间隙，而无需任何此类输入。因此，我们的方法可以找到线画的差距，并完成他们没有用户交互。此外，完成现实地保存线段的厚度和曲率。这种逼真的线条完成的所有必要的算法都是从线条图的数据集中自然学习的，其中各种线条完成的模式作为训练对实时生成我们评估我们的方法定性的一组不同的chal，chaling线图，并提供定量的结果与用户研究，它显着优于最先进的。1. 介绍线描是用铅笔在纸上或用数码笔在写字板上画出的，它被用于绘图或图解等许多场合来表达物体的轮廓或形状。然而，纸上线条画或粗略绘制的插图的扫描图像可能会丢失线条的某些部分。完成这些线段有助于增强线条图的视觉效果，并使其更加精确。线描也是创建彩色插图或动画的第一步，其中线段的适当完成很重要，以免间隙在稍后的步骤中造成油漆桶）工具。然而，在保持自然厚度和曲率的同时找到间隙并手动完成线段是繁重且耗时的。对于自然图像，已经提出了各种图像修复方法例如，合成最近邻补丁的方法[1，17，19]特别显示了在完成自然图像方面效果良好Darabi等人[5]提出了一种既考虑图像块颜色信息又考虑图像梯度的修复方法，较以往的修复方法更好地保存了图像的修复效果然而，当被移除的区域中存在诸如直线和曲线的复杂结构时，这些方法并不很好地工作。因此，他们无法充分完成线条画（图）。1（b）），特别是在延续线的厚度和曲率方面。此外，这些方法需要将缺失区域指定为输入，这在存在大量此类区域的应用中是一个真正的缺点。我们的方法可以克服这些限制，检测和完成的差距，没有任何输入掩码指定修复区域。在本文中，我们提出了一种新的方法来自动填充的差距线画。据我们所知，没有已知的方法可以以这种方式自然地此外，与大多数修补方法相比，我们的方法可以自动检测丢失的线段并完成它们，自适应地识别和生成适合线条图结构的直线，曲线和角点。我们解决这个问题的方法是在一个线条画数据集中用许多不同的图像模式通过实时生成包含许多不同图像模式的训练数据对，我们有效地训练我们的模型，以完成联合间隙检测和完成的任务。我们比较和评估我们的方法，以最先进的修复，定性和定量，与用户研究。我们的方法在90%以上的时间里比其他方法更受欢迎请注意，虽然我们的方法不需要指示要修复哪些区域的掩码，但其他方法需要这样的掩码。总之，我们的贡献的主要特点是：• 一种线画光栅图像修复的新方法，• 自动检测缺失区域，• 厚度和曲率的自然延续，以及• 使用小数据集实时生成的训练数据57255726掩模(a) 输入（b）图像融合[5]（c）我们的图1.完成线条图中的间隙的示例（a）包含许多间隙的线条画的输入光栅图像（b）使用Image Melding [5]进行修复的结果，它不会生成准确的线条，即使它需要一个指定线条缺失位置的区域掩码(c)我们的方法的结果，其中线中的结构是保守的，即使它不需要缺失区域掩模。该方法不仅能正确地检测和完成单条直线上的间隙，而且能正确地检测和完成多条平行直线和相交直线上的间隙。2. 相关工作传统的图像修复和线条补全方法之一没有纹理的内部绘制[3]或使用欧拉在类似的问题中，Esedoglu etal.[7]使用Mumford-Shah模型[12]进行修复。这些方法已经表明，它们能够在一定程度上完成行;然而，它们需要缺失区域作为输入掩码。Shoenemann等人[15]提出了一种具有曲率规则性的区域分割方法，并将其扩展到解决修复问题，尽管包含复杂线结构的区域没有被正确分割。Huang等人[8]提出了一种用于从多个图像片段重建的曲线完成技术这种方法需要将从图像片段中提取的曲线一个接一个地连接起来：它不能完成包含在图像中的几个线段。还有其他方法，以矢量图像作为输入，并通过拟合贝塞尔曲线或样条曲线来完成曲线然而，具有相交线的区域不能很好地完成，并且它们需要矢量输入达不到期望的能力。对于修复更一般的图像，利用图像中的相似区域的方法已经显示出良好的结果。在这种方法中，使用来自同一图像中的周围区域的信息来填充给定图像中的目标区域通常，目标区域作为输入蒙版给出，指定旧图像或要删除的对象中的间隙[2]。Criminisi等人[4]提出了一种技术，可以通过使用纹理和对象结构来完成更大的区域作为边界。Drori等人[6]使用水平集方法从外到内逐渐完成大区域。基于补丁的修复方法[1，5，10，17，19]对于自然图像完成显示出良好的结果。这些方法在同一图像中寻找与目标周围区域最相似的补丁，并合成一个纹理以填充它们。最近，一种基于深度学习的方法[14]也被提出用于修复。然而，这种方法仅限于固定大小的输入图像，并且专注于图像中心的固定大小区域的修复通常，基于补丁的完成方法难以完成包含复杂结构的线条图在目标区域中相交的直线和曲线，因为线绘制图像由白色区域主导此外，它们通常需要目标区域作为输入，作为掩码或通过一些用户交互给出在本文中，我们提出了一种新的数据驱动的方法来自动检测和填充线条画的缺失区域。通过用许多不同的图像模式训练CNN，我们证明了我们可以正确地完成保持厚度和曲率的线段。与这种方法相关，我们将深度学习应用于草图简化问题[18]。虽然我们在这里也使用了完全卷积网络，但网络在几个方面有所不同。在低级别上，我们使用上采样层代替反卷积层，并减少后验层中的滤波器数量，其行为方式更接近锐化滤波器而不是特征提取器。这会产生更高质量的结果和更快的运行时间。在5727表1.我们模型的架构我们使用两种不同类型的层，表示为除了最后一个卷积层之外，所有卷积层都使用整流线性单元（ReLU），其中Sigmoid函数用于保持输出范围[0，1]。比例是指层的输出相对于原始输入大小的分辨率。层id12345678U8910U101112U121314U141516层类型CCCCCCCUCCUCCUCCUCCC滤器数量24641282565125122562561286464321616844211步幅2212121-11-11-11-111规模二分之一四分之一四分之一1/81/81/161/161/81/81/8四分之一四分之一四分之一二分之一二分之一二分之一1111概念层面，虽然两个网络都输出线条图，[18] 使用一个小的手动创建的监督数据集来训练简化粗略的草图，而我们的模型则使用我们的数据生成来训练检测和修复线条画。3. 线条画完成方法对于线条画修复，我们使用深度卷积神经网络（CNN）。与更熟悉的CNN分类模型不同，我们的模型产生图像输出。它仅由卷积层和上采样层组成由于它没有完全连接的层，因此输入和输出图像的大小输入是灰度线画图像，输出是线画中的间隙完成的图像在我们的方法中，我们可以使用一个小的干净的线条绘图数据集，通过自动生成不同类型的线条完成模式来增强它，我们擦除每个图像的部分并将其用作训练的输入，而完整的图像用作目标。通过使用这些具有不连续区域的目标和输入图像对进行训练，网络可以学习它应该在哪里完成什么样的通过删除图像的随机部分来实时生成训练数据对于仅使用小数据集来训练我们的模型至关重要。3.1. 模型架构我们的模型基于完全卷积网络，该网络已被提出用于语义分割[11，13]。由于它们没有完全连接的层，整个网络就像一种过滤器，可以应用于任何大小的图像。我们的模型的结构总结在表1中。该模型仅由卷积层组成，既不使用池化层也不使用全连接层。所有卷积层都使用3× 3的内核大小，除了第一层，它使用5× 5的内核大小该模型使用对所有卷积层中的特征图进行零填充，确保图像不会缩小。例如，如果滤波器内核的大小为3×3，步幅为1像素，则我们添加一个值为0的1像素我们使用具有2像素步幅的滤波器在每个轴上下采样到1/2下采样允许模型从更大的区域计算特征并识别结构。我们另外使用最近邻上采样方法来增加输出的分辨率。我们发现这种上采样比全卷积网络中通常使用的“反卷积”层提供更好的结果通过使用相同数量的下采样和上采样层，输出的大小一般架构遵循编码器-解码器设计，其中模型的前半部分用于提取特征并通过降低图像的分辨率来压缩数据这允许从输入图像的较大区域计算每个输出像素模型的后半部分用于合并线条并锐化输出，这就是为什么与模型的前半部分相比，它具有更少的滤波器对于激活函数，我们对所有卷积层都使用了整流线性单元（ReLU），除了最后一个卷积层，这里使用了Sigmoid函数，因此输出落在灰度范围[0， 1]内。为了训练，我们在每个卷积层之后插入一个批量归一化层[9]除了最后一这些批量归一化层保持输出的平均值接近0，标准差接近1，这使得网络能够从头开始有效地学习另外，通过分别减去和除以训练数据的平均值和标准偏差来归一化输入数据。3.2. 数据集和训练在训练过程中，我们使用干净的线条画图像作为目标，并将某些区域的线条擦除的相同图像作为输入。在深度CNN模型中，通常需要数百万个训练数据才能从头开始学习。然而，由于没有这样的数据集的线条画完成，我们自动生成训练对各种完成模式从一个小的数据集的线条画。生成训练数据。我们的数据集仅基于60张简单线条画的图像。 每个图像都有许多5728pp数据集训练数据对图2. 从小数据集生成（输入，目标）图像的首先，我们准备了一个小的数据集的图像的各种线模式与不同的厚度，曲率和位置。从中，我们随机选择一个图像并裁剪出一个补丁。然后，我们旋转，反转或缩小补丁，并将其设置为目标图像。最后，我们删除随机生成的正方形内的片段以创建输入图像。线的种类，例如，多边形线、曲线或直线，其可以相交和/或具有各种厚度和曲率。在训练时，我们生成各种训练数据对，如图所示。二、首先，通过从数据集图像随机裁剪图像块来生成该对的目标图像。然后，通过擦除10到20个大小和位置随机变化的正方形（边长为10到50个像素）的内部来创建输入数据此外，图像被随机旋转和缩放，并以二分之一的概率进行压缩，这样就可以学习更多不同的行完成模式，因为CNN我们注意到，我们不生成也不使用掩码进行训练。学习 我们使用均方误差（MSE）作为模型损失来训练我们的模型，它表示输入Y和目标Y之间的差异：图3. 基本行完成结果的示例。在这里，我们展示了几个放大的结果，从更大的图像。在每一对中，输入显示在顶部，对应的输出显示在底部。我们的模型可以很好地完成，即使在这样的地方，是太复杂的大多数方法，如角落，曲线的曲率变化，与不同厚度的线的交叉点。请注意，我们的模型会自动检测缺失区域并填充，无需任何用户输入。其中，N是图像中所有像素的集合，并且Y是N，Y是P，是目标和输入图像中像素p处的值分别为了学习模型权重，我们使用AdaDelta [20]的反向传播，它更新权重，而无需手动设置学习率。4. 结果和讨论我们的模型使用来自训练数据集的352×352像素的补丁进行训练，尽管它可以在任何分辨率的图像上进行我们用30万训练模型批量大小为2的迭代，大约需要两天时间。我们还应用了一个简单的色调曲线调整作为后处理，在显示结果时对所有图像使用相同的参数。我们评估我们的方法对真实和合成图像定性，以及定量与用户研究。4.1. 定性结果我们在图中显示了我们的模型在各种基本模式上的完成结果。3.第三章。我们的模型可以完成复杂的领域，如角落，不同曲率的曲线，和不同厚度的线的交叉点，从只有非常简单的线索。因此，可以完成各种各样的线条画，如草图设计，扫描插图，粗略生成的线条画，如图。4.第一章我们的模型可以自动检测缺失的线段，并以正确的厚度和曲率完成它们，即使在包含许多缺失部分的图像中。此外，它可以完成多个平行线，交叉线，拐角等。4.2. 与最新技术水平的比较我们将我们的模型与以前的修复AP-l（ Y）=1|N|.p∈N（Y−Yp）2，图中的途径。五、特别地，我们与补丁匹配[1]和图像融合[5]进行了比较。我们的结果显示了最准确的线条画完成前一输入输出输入目标5729图4.使用我们的方法完成生产线的结果每个图像对在左侧示出具有缺失区域的输入，并且在右侧示出行完成的输出它们都是从各种来源获取的真实扫描数据的示例，包括旧原理图、书籍和插图。对于所有的图像，我们提出的方法可以自动检测丢失的区域，并完成它们，尽管是从非常不同的来源。特别是左下角的达芬奇的“飞行器”，尽管有严重的损坏，但我们的方法完成得工程可以完成小的区域，但往往无法完成一个大的差距。此外，虽然这些方法需要缺失区域作为额外的输入，但我们的方法会自动检测和识别线缺失的位置，以全自动的方式完成它们 为了利用我们的方法丢失的区域掩模，我们尝试在完成后恢复区域外的图像;然而，它导致的差异很小（图。5（e））。我们还与Pathak等人的基于深度学习的方法进行了比较。[14]在图6中。我们注意到，与我们的方法不同，它仅限于固定分辨率的输入图像和图像中心的固定缺失区域，而我们的方法自动检测间隙并在整个图像中完成它们，而不限于预定义的掩模。4.3. 用户研究我们还提出了一个用户研究的结果，使用20个图像，在其中我们进行相对和绝对的评价。一半的图像是旧的扫描图像，已被删除，造成差距，而另一半由合成随机间隙的图像。一些扫描图像可以在图中看到。4.第一章合成图像均为480× 480像素，并具有5至15个随机生成的方孔，其边长为10至50像素。对于真实的扫描数据，我们手动标记所有间隙上的输入掩码，要求他们。 共有18名用户参与了这项研究。表2.与最新技术水平的比较和相关评价。我们显示了左侧列上的方法优于顶行上的方法的时间百分比vs[1]第一章[五]《中国日报》我们面具（Masked）[1]第一章-26.46.11.4[五]《中国日报》73.6-4.25.3我们93.995.8-53.9面具（Masked）98.694.746.1-我们比较了PatchMatch [1]和Image Melding [5]的方法，这两种方法都需要掩码作为用户输入。我们还比较了使用掩码时的方法和不使用掩码时的方法，即联合检测并完成间隙时的方法。我们没有与Pathak等人进行比较。[14]这是由于图像尺寸的限制我们首先进行相对评估，向用户展示两张图像，并询问他们哪一张看起来更完整。对于20张图像中的每一张，我们评估了四种方法的所有可能的成对比较：PatchMatch [1] ， Image Melding [5] ， Ours 和 Ours5730（Masked）。结果示于表2中。我们可以看到，我们的方法几乎是单方面选择的，而不是最先进的方法。除了与[ 1 ]的比较之外，我们的方法在不使用掩码时比使用掩码时执行得更好。这是一5731(a) 输入（b）PatchMatch[1]（c）图像融合[5]（d）我们的（e）我们的（掩蔽）图5. 与最新技术水平的比较。（a）输入图像，其中掩模覆盖在洋红色中。(b)PatchMatch的结果[1]。(c)图像融合的结果[5]。(d)我们的结果不使用输入掩码，即，共同检测间隙并完成它们。(e)使用输入掩码时的结果。而以前的作品不能正确地完成输入图像中的缺失区域，我们的结果显示精确的完成。此外，以前的方法需要手动指定缺失区域，如（a）中的洋红色掩模，而我们的方法可以检测到间隙并自动完成它们。输入[14个]表3.与使用绝对评估的最新技术水平进行比较每种方法的评分范围为1至5。最高值以粗体突出显示。我们图6. 与Pathak等人的深度学习方法的比较。[14]，它只能处理小的固定大小（128 × 128像素）的输入图像，并且只能完成输入图像中以洋红色显示的中心固定正方形-这两个限制没有共享我们的方法。比较表明，我们的方法可以在没有遮罩作为输入的情况下准确地进行修补，而[14]向图像添加了额外的元素，并且无法保留线条的厚度。有趣的结果可能意味着我们的方法也清除了非间隙线，并且与需要掩模作为输入的现有技术方法形成强烈对比我们还执行了一个绝对评估，向每个用户显示特定方法的输入和输出（没有输入掩码），并要求他们在1到5的范围内对行完成 我们在表3和图7中显示了该评估的结果。我们可以看到，我们的方法有和没有面具获得大致相同的分数，这明显高于最先进的水平。结果之间也存在差异[1]第一章[五]《中国我们面具（Masked）5732543210[1][5]我们的OM表4.不同方法的计算时间比较我们评估不同的分辨率大小和要修复的输入掩码的大小我们注意到，我们的方法的计算时间只取决于输入图像的分辨率。我 们 的尺寸（px）掩码[1][5]CPU GPU512× 512 20% 0.148s 138s512× 512 40% 0.311s 199s 0.334s 0.006s512× 512 60% 0.534秒257秒1024× 1024 20% 0.588s 535s1024× 1024 40% 1.161s 822s 1.278s 0.021s1024× 1024 60% 1.920s 1125s图7.绝对评价结果的箱形图虽然我们的方法和我们使用掩模（OM）的方法之间没有显著差异，我们的方法明显优于现有技术的方法PatchMatch [1]和Image Melding [5]。输入输出我们的（蒙面）：4.17[5]第一次见面图8.绝对评价用户研究中使用的两个图像示例上面一行显示了扫描图像，其中包含我们的方法（使用掩码）的结果和分数，而下面一行显示了合成图像，其中包含图像融合的结果和分数。请注意，用户没有被告知使用什么方法来生成输出图像。对于10个真实扫描图像和10个合成图像。除了来自扫描过程的劣化之外，这可以归因于真实线条图的复杂性在图1中示出了向用户示出的图像对及其平均分数的示例8.4.4. 计算时间我们在表4中比较了现有方法的运行时间，使用IntelCore i7-5960X CPU，频率为3.00GHz2048× 2048 20% 2.337s 2195s2048× 2048 40% 4.547秒三四零三4.953秒0.083秒2048× 2048 60% 7.698秒8 核 心 和 NVIDIA GeForce TITAN X GPU 。 与PatchMatch [1]和Image Melding [5]不同，我们的方法的计算时间仅取决于输入大小，而不是要完成的区域的大小。使用CPU，我们的方法在完成40%的图像时所需的时间与PatchMatch大致相同。当使用GPU时，我们的方法快了60倍。4.5. 可视化与模型优化为了尝试理解模型自己在学习什么，我们将模型的中间特征层由于每个层本身很难解释，我们对每个中间层的所有“像素”执行PCA这与诸如[21]的直接可视化方法形成对比。然后，我们将PCA的不同分量可视化以解释结果。我们在图中显示了两个不同图像的这个过程的结果 9对于具有相同架构但比其余结果中使用的滤波器更多的模型，如表1所示。 我们观察到一个有趣的现象：早期层几乎在所有PCA分量中都包含可识别的空间模式，而后期层仅在初始PCA分量中显示此类模式。这让我们相信，虽然让初始层具有许多滤波器以检测间隙很重要，但模型不需要在后面的层中使用许多滤波器来修补线段。我们在模型开发过程中使用了这种反馈，可以显著减少过滤器的数量，这导致了模型的速度加快，减少了所使用的内存，而不会降低性能。我们不修改层数，因此每个输出像素仍然使用输入图像的大区域计算。 这对于修复尤其重要，因为要修复的区域受到其周围区域的高度影响。这会导致层与非常少的过滤器，评级5733输入第三层第十一层第7层输出12364 96 12812364 96 1281 2 3128256 5121 2 3128256 51212364 96 12812364 96 128图9.网络不同内部层输出的可视化我们显示了对应于早期层（层3），中间层（层7）和最终层（层11）的两个不同图像的内部表示的不同主成分的投影第3层和第11层是输入图像大小的1/4，第7层是输入图像大小的1/16我们展示了卷积层的输出，值，因此它们适合于[0， 1]范围，以便于可视化。我们观察到，虽然早期和中间层确实保存了结构化的在大多数主成分中输入数据时，后面的层似乎将所有信息集中到前几个主成分中。我们使用在决定神经网络的每一层中的滤波器数量时，该信息(a) Ground truth（b）Input（c）Output图10. 我们方法的局限性。输入上的掩蔽区域显示为参考，我们的模型不使用。当必须完成具有许多线和交叉点的复杂结构时，存在必须连接到哪些线的固有模糊性。这可能会导致现实的，虽然不正确的完成，如本例所示。模型的结束。然而，这些层可以被认为是锐化类型的过滤器，而不是像初始层那样的特征提取层虽然我们设法将内存使用量减少了大约30%，计算时间减少了近一半，但对架构的进一步调整可能会带来更好的改进。然而，使用我们的可视化方法在单次迭代中的改进是显著的。4.6. 限制虽然我们的模型在完成各种线条图案方面表现良好，但它可能会被非常复杂的结构所混淆例如，在图像中，许多线相交于小的如果缺少区域和交叉点，则可能无法正确地完成间隙。图10示出了一个这样的示例。在这种情况下，我们的模型可能会混淆线端之间的对应关系。非常大的缺失区域也具有挑战性，因为结构的识别是困难的。模型损失或数据集的改进可以使其能够识别更大的区域和更复杂的线结构。5. 结论在本文中，我们提出了一种新的数据驱动的方法，用于使用深度卷积神经网络检测和完成线条画图像中的缺失区域。我们的方法自动检测间隙并在没有任何用户交互的情况下用正确的厚度和曲率完成它们。网络模型是完全卷积的，因此可以处理任何大小的输入图像我们只使用一个小数据集就可以有效地训练模型实验和比较表明，在各种示例中，准确的完成超过了以前的方法，这是由定量用户研究证实的，其中超过90%的用户更喜欢我们的方法。在未来，我们可能会改进这种完成方法，并通过扩大数据集和进一步改进模型架构来应用于更复杂的模式。致 谢 这 项 工 作 得 到 了 JSTCRESTGrantNo.JPMJCR14D1.5734引用[1] C. Barnes，E.Shechtman ，A.Finkelstein 和D.B. 戈德曼PatchMatch：一种用于结构图像编辑的随机对应算法。ACM Transactions on Graphics （ Proc. of SIGGRAPH2009），28（3）：24：1[2] M. Bertalmio，G.萨皮罗河谷Caselles和C.巴列斯特图像修复。在Proceedings of the 27th Annual Conference onComputer Graphics and Interactive Techniques ， pages417[3] T. F. Chan和J. Shen。基于曲率驱动的非纹理修复。JournalofVisualCommunicationandImageRepresentation，12（4）：436[4] A. Criminisi山口Perez和K.富山 通过基于样本的修复去除 对象 。 IEEE计 算机 视 觉与 模 式识 别 会议 论 文集（CVPR），2003年。[5] S. Darabi、E.谢赫特曼角巴恩斯D. B.高盛，以及P. 参议员图像融合：使用基于块的合成来组合不一致的图像ACM Transactions on Graphics（Proc. of SIGGRAPH2012），31（4）：82：1[6] I. Drori，D. Cohen-Or和H.叶书润基于片段的图像完成。22（3）：303[7] S. Esedoglu和J.沈基于mumford-shah-eastern图像模型的数字修复。欧洲应用数学杂志，13（04）：353[8] H. Huang，K.殷，M.龚氏D. Lischinski、D. 科恩-奥尔，联 合 M. Ascher ， 和 B. 尘ACM Transactions onGraphics，32（6）：174[9] S. Ioiye和C.赛格迪批次标准化：通过减少内部协变量偏移来加速深度网络训练。2015年国际机器学习会议论文集[10] N. Komodakis和G.齐里塔斯通过优先级调度和动态修剪使用高效置信传播的图像完成。IEEE Transactions onImage Processing，16（11）：2649[11] J.朗，E. Shelhamer和T.达雷尔。用于语义分段的全卷积网络。InProceedings of theIEEE计算机视觉与模式识别会议（CVPR），2015年。[12] D. Mumford和J. Shah.分段光滑函数的最佳逼近及相关的变 分 问 题 。 Communications on Pure and AppliedMathematics，42（5）：577[13] H. Noh，S. Hong和B.韩用于语义分割的学习反卷积网络 。 IEEE International Conference on Computer Vision（ICCV），2015年。[14] D. Pathak，P.Krähenbühl，J.多纳休，T.Darrell和A.埃夫罗斯上下文编码器：通过图像修复进行特征学习在IEEE计算机视觉和模式识别会议（CVPR）上，2016年。[15] T. Schoenemann，F. Kahl和D.克莱姆斯基于区域的图像分 割 和 修 复 的 曲 率 规 则 ： 线 性 规 划 松 弛 。 IEEEInternational Conference on Computer Vision（ICCV），2009年。[16] J. Shen ， S. H. Kang 和 T. F. 陈 欧 拉 SIAM Journal onApplied Mathematics，63（2）：564[17] D. Simakov，Y.Caspi，E.Shechtman和M.伊拉尼使用双向相似性总结视觉数据。IEEE计算机视觉与模式识别会议（CVPR），2008年。[18] E. Simo-Serra，S.饭冢湾Sasaki和H.石川Learn- ing to学习 ： 用 于 粗 略 草 图 清 理 的 全 卷 积 网 络 。 ACMTransactions on Graphics（Proc. SIGGRAPH 2016），35（4），2016年。[19] Y. Wexler，E.Shechtman和M.伊拉尼视频的时空完成IEEE Transactions on Pattern Analysis and MachineIntelligence，29（3）：463[20] M. D. 泽勒Adadelta：一种自适应学习率方法。arXiv预印本arXiv：1212.5701，2012。[21] M. D. Zeiler和R.费格斯。可视化和理解卷积网络。欧洲计算机视觉会议（ECCV），2014年。