Inpainting d'image

L'inpainting d'image vient de la restauration numérique inspirée de la conservation des œuvres d'art, où les restaurateurs comblent soigneusement les zones endommagées. Les premières méthodes utilisaient la synthèse de texture et la correspondance de patchs, en copiant des fragments similaires depuis les zones proches. Les approches modernes de deep learning utilisent des modèles encodeur-décodeur et de diffusion entraînés sur de grands jeux d'images pour comprendre le contexte sémantique : une personne supprimée sur une pelouse est remplacée par de l'herbe plausible, pas par des pixels aléatoires. La technique alimente la suppression d'objets, la réparation de rayures sur de vieilles photos et les workflows de remplissage génératif. La qualité dépend de la taille de la zone masquée, de la complexité de l'arrière-plan, des détails de bord et de la diversité des données d'entraînement. Utilisez l'inpainting seulement sur des images que vous possédez ou avez le droit de modifier, surtout pour retirer des filigranes, des personnes ou des éléments identifiants.