Bildinpainting

Image Inpainting begann als eine von der Kunstkonservierung inspirierte digitale Restaurierungstechnik, bei der Restauratoren beschädigte Bereiche von Gemälden sorgfältig ausfüllen. Frühe digitale Methoden verwendeten Textursynthese und Patch-Matching – das Kopieren ähnlicher Patches aus benachbarten Regionen. Moderne Deep-Learning-Ansätze verwenden Encoder-Decoder-Architekturen, die auf Millionen von Bildern trainiert wurden, um den semantischen Kontext zu verstehen: Sie wissen, dass eine entfernte Person, die auf Gras steht, mit mehr Gras und nicht mit zufälligen Pixeln gefüllt werden sollte. Diffusionsbasierte Inpainting-Modelle generieren mehrere plausible Vervollständigungen und wählen die kohärenteste aus. Die Technik unterstützt Tools zum Entfernen von Objekten, zum Reparieren von Kratzern bei alten Fotos und zum Entfernen von Wasserzeichen. Die Qualität hängt von der Größe des maskierten Bereichs, der Komplexität des Hintergrunds und der Vielfalt der Trainingsdaten des Modells ab.