实验
该研究在 Places2 数据集上以 512 × 512 分辨率进行了图像修复实验，并给出了模型的定量和定性评估结果。
定量评估：下表 1 为 CM-GAN 与其他掩码方法的比较。结果表明，CM-GAN 在 FID、LPIPS、U-IDS 和 P-IDS 方面明显优于其他方法。在感知损失的帮助下，LaMa、CM-GAN 比 CoModGAN 和其他方法获得了明显更好的 LPIPS 分数，这归功于预训练感知模型提供的额外语义指导。与 LaMa/CoModGAN 相比，CM-GAN 将 FID 从 3.864/3.724 降低到 1.628。
如下表 3 所示，在有无微调的情况下，CM-GAN 在 LaMa 和 CoModGAN 掩码上都取得了明显优于 LaMa 和 CoModGAN 的性能增益，表明该模型具有泛化能力。值得注意的是，在 CoModGAN 掩码，物体感知掩码上训练的 CM-GAN 性能依然优于 CoModGAN 掩码，证实了 CM-GAN 具有更好的生成能力。
定性评估：图 5、图 6、图 8 展示了 CM-GAN 与 SOTA 方法在合成掩码方面的可视化比较结果。ProFill 能够生成不连贯的全局结构，CoModGAN 产生结构伪影和颜色斑点，LaMa 在自然场景上容易产生较大的图像模糊。相比之下，CM-GAN 方法产生了更连贯的语义结构、纹理更清晰，可适用于不同场景。
为了验证模型中每个组件的重要性，该研究进行了一组消融实验，所有模型都在 Places2 数据集上进行训练和评估。消融实验结果如下表 2 和图 7 所示。
该研究还进行了用户研究，以更好地评估 CM-GAN 方法的视觉生成质量，结果如下表 5 所示。此外，附录提供了更多的视觉比较和实验分析以供读者参阅。
