Quaternion Generative Adversarial Neural Networks and Applications to Color Image Inpainting

彩色图像修复是图像科学中具有挑战性的任务。现有的方法是基于实际操作，对彩色图像的红色、绿色和蓝色通道进行分别处理，忽略了每个通道之间的相关性。为了充分利用每个通道之间的相关性，本文提出了四元数生成对抗神经网络(QGAN)模型和相关理论，并将其应用于解决大面积缺失的彩色图像修复问题。首先，给出四元数反卷积的定义并提出四元数批量归一化。其次，将上述两个创新模块应用于生成对抗网络以提高稳定性。最后，将QGAN应用于彩色图像修复，并与其他最先进的算法进行比较。实验结果表明，QGAN在大面积缺失的彩色图像修复方面具有优势。

本论文旨在解决彩色图像修复中的挑战性任务，提出了一种基于四元数生成对抗神经网络（QGAN）模型的解决方案，以便更好地利用每个通道之间的相关性。

本论文提出了四元数去卷积的定义和四元数批归一化的方法，并将这两个创新模块应用于生成对抗网络以提高稳定性。实验结果表明，QGAN在处理大面积缺失的彩色图像修复方面具有优势。

论文的亮点包括提出了一种新的解决方案，使用了四元数去卷积和四元数批归一化的方法，提高了生成对抗网络的稳定性。实验结果表明，该方法在处理大面积缺失的彩色图像修复方面表现出色。

最近的相关研究包括基于深度学习的图像修复算法，如基于卷积神经网络（CNN）的方法和基于生成对抗网络（GAN）的方法。例如，文献《基于深度学习的图像修复算法研究综述》和《基于生成对抗网络的图像修复算法研究》等。