推荐使用：QD-IMD - 快速绘制不规则遮罩数据集

在计算机视觉领域，图像修复（Inpainting）是一项重要的任务，其目标是恢复图片中被遮挡的部分。从删除照片中的不想要元素到恢复古旧照片的完整性，图像修复有着广泛的应用。然而，大多数现有方法专注于矩形形状的洞口，并假设它们位于图像中心，这在实际应用中限制了其灵活性。

最近，研究人员提出了一个不规则形状遮罩的数据集来应对这一挑战，但这个数据集存在一些局限性，如非人为生成的遮罩、边缘锐利以及未公开。为了解决这些问题，我们引荐你尝试使用QD-IMD（快速绘制不规则遮罩数据集）。

项目介绍

QD-IMD 是基于人类手绘的"Quick Draw"数据集构建的，它包含了大量由人手随机绘制的不规则形状遮罩。我们认为，这些由人类创造的线条组合能够提供更加自然和多样化的遮罩模板。与现有的不规则遮罩数据集相比，QD-IMD 的遮罩更具有人性化和柔和的边缘，适用于各种实际场景的图像修复任务。

技术分析

QD-IMD 数据集的生成过程经过精心设计：

1. 随机确定遮罩的笔划数量。
2. 从Quick Draw数据集中随机选择笔划样本。
3. 设定每条笔划的宽度并绘制到画布上。
4. 根据需求调整放大比例。
5. 对目标形状进行中央裁剪。
6. 最后对结果进行二值化处理以创建遮罩。

所有参数都可以根据特定任务进行调整，提供了极高的灵活性。

应用场景

QD-IMD 可用于训练和评估各种图像修复算法，尤其是那些需要处理不规则区域的模型。例如，在照片编辑、视频修复、艺术创作甚至是隐私保护等领域都有广泛应用。

项目特点

• 不规则形状：遮罩形态多样化，模拟真实世界中的遮挡情况。
• 人类手绘：遮罩源于人类绘画，提供更自然的边缘和过渡。
• 易于获取：数据集可通过Dropbox或Yandex.Disk下载，方便快捷。
• 可定制：你可以根据项目需求自定义生成参数。

如何参与

首先克隆本仓库，然后安装所需依赖，最后运行generate_dataset.py脚本来生成或自定义数据集。详细步骤参见README文档。

未来规划：团队还计划创建矢量版本的QD-IMD，以提供更多可能性。

通过QD-IMD，我们可以期待在图像修复领域实现更大的突破。如果你正在寻找一种能够处理复杂遮挡问题的解决方案，那么这个开源项目绝对值得你一试。现在就加入我们，探索无限可能吧！