PFGT-GAN修复网络

0.9%参数量

金字塔融合与门控Transformer协同建模，在复杂大面积缺失下生成结构连贯、纹理自然的修复结果。

Wenxuan, Yan · 徐宁 · Su, Xin · 蒋爱民

Neurocomputing 2025

参数信息

参数量

4.9 M

参数量占比（相对LaMa）

21.4 %

推理速度

9 ms/image

技术优势

结构纹理自然

金字塔编码器-解码器逐层融合多尺度特征，高层语义与低层空间信息渐进集成，修复区域结构连贯、色彩过渡真实。

注意力开销小

门控Transformer通过动态加权特征重要性进行全局上下文建模，在提升修复质量的同时减少计算量，参数量仅4.9M，推理仅9 ms/图像。

大掩码也稳

模型在 Places2 数据集的 0%–50% 掩码范围和 Paris StreetView 的全掩码条件下均取得最优性能，能有效处理大面积缺失。

应用场景

• 图像编辑：快速移除标志、编辑面部，无需大型模型或专用硬件。
• 内容生成：在大面积缺失下生成连贯内容，适用于图像补全创作。
• 轻量级视觉模型：用4.9M参数实现先进修复性能，适合边缘设备部署。