摘要

尽管人类在预测图像边界之外的内容方面表现出色，但深度模型在通过保留的信息理解上下文和外推方面仍面临挑战。这一任务被称为图像外扩（image outpainting），涉及生成图像边界的逼真扩展。目前的模型使用生成对抗网络来生成结果，但这些结果缺乏局部图像特征的一致性，显得不真实。我们提出了两种方法来改进这一问题：一是使用局部和全局判别器；二是在网络的编码部分添加残差块。我们的模型与基线模型的L1损失、均方误差（MSE）损失以及定性差异的对比显示，我们的模型能够自然地扩展物体边界，并生成比现有方法更具内部一致性的图像，但在图像保真度方面略逊一筹。