хочется понять из какого изображения получается восстановление

Хорошо, представим такую модельную ситуацию, что представлена в exapmple2:
У нас есть оригинальное изображение (W*H) пикселей. Мы его загружаем

C++ (Qt)
    boost::gil::rgb8_image_t img;
    boost::gil::read_image("photo.png", img, boost::gil::png_tag());
    boost::gil::rgb8_view_t view = boost::gil::view(img);
 

И далее говорим, что нам доступны только 5% пикселей
(равновероятно распределённых, но в то же время мы знаем их координаты и значения R G B для каждого такого пикселя)
от общего их числа W*H.
В example2 это моделируется с помощью случайных чисел:

C++ (Qt)
std::random_device rd;
    std::mt19937 gen(rd());
 
    std::uniform_int_distribution<size_t> dist_x(0, view.width()-1);
    std::uniform_int_distribution<size_t> dist_y(0, view.height()-1);
 
    specmath::compsci::vanda vanda;
 
    auto start = std::chrono::high_resolution_clock::now();
 
    for (size_t i = 0; i < TRAINING_SIZE; ++i)
    {
        /* choose random pixel coordinates */
        size_t xi = dist_x(gen);
        size_t yi = dist_y(gen);
 
        boost::gil::rgb8_pixel_t pixel = view(xi, yi);
 
        /*
         * input data vec_t{xi, yi},
         * output data vec_t{R, G, B}
        */
        dataset.add( { double(xi), double(yi) },
                     { double(pixel[0]), double(pixel[1]), double(pixel[2]) } );
    }
 

Т.е. фактически мы имеем доступ только к этим живым пикселям.
Как будет выглядеть такая битая картинка? Ну, например, как предложил Old : давайте закрасим все битые пиксели чёрным цветом (0, 0, 0), а живые трогать не будем.
Вот вам и картинка: точнее набор точек на чёрном фоне (звёздное небо).

Научный сотрудник и дальше будет воротить носик от триангуляции) А других подходов нет?

PS Перезалил исходники примеров..

Зачем тогда затемнять задачу понятием "битых"? Проще сказать "имеется 5% пыкселей, восстановить/интерполировать по ним остальные 95%"

Это не очень разумно, и вообще знать классику полезно. А если больше нравится "собирать", то триангуляция - популярнейший алгоритм, реализаций масса. Хотя здесь может и "найти все" удастся  

Ну в прынцыпе можно задействовать любой из методов интерполяции начиная с простейшего "nearest neighbours" (всего их, насколько помню, 20). На практике, однако, доминирует Делоне

Обычно подобная задача возникает в контексте "lazy". Т.е. взяли точку и смотрим, может ли ее цвет быть интерполирован на основании уже имеющихся. Если нет - считаем эту точку (дорого/долго). Но если все точки даны (уж не знаю откуда), то это Вас не касается

Не вижу никаких причин мудрить и избегать стандартного/типового решения в данном случае

не углядел - где запись в файл исходного (поломанного) изображения ?

В этом примере реального поломанного файла не существует. Мы загружаем оригинальную картинку, но говорим, что нам доступны только определённые пиксели. (по сути это модель битой картинки) Задача - зная всё о живых пикселях (их координаты и цвет) восстановить всю картинку.

Это что сейчас, 1D задача?

Вот в алгоритме vanda эта проблема решается и даёт неплохие результаты, подозреваю, что даже лучше чем может дать триангуляция.

Слава богу, детки другими вопросами занимаются, более фундаментальными)

Нет, 2D, может и 3D. Здравый смысл говорит что для интерполяции правой точки самая левая должна быть отброшена т.к. она полностью "перекрыта" средней. Триангуляция это разруливает т.к. она автоматом создает "наилучшие" тр-ки. А вот разнообразные взвешивания нет.

Не слышал о таком алгоритме, но рискну утверждать что нет, ну хотя бы потому что интерполяция по тр-кам "бесшовна", т.е. точки на ребре вычисляются одинаково по 2 смежным тр-кам. А в Ваших рез-тах прут "зубы".

А что Вы считаете "фундаментальным"? По-моему та же триангуляция - один из самых что ни на есть фундаментальных алгоритмов. И если человек ее не писал (а так, "собрал") он многих вещей не догоняет.

А все эти "нейросети" .. ну да, это интересно, забавно, в конце-концов "модно" (что не значит "плохо"). Но до "фундаментальности" там еще ой далеко  Затея со статистикой по картинкам - ну а с чего Вы взяли что 2 картинки как-то коррелированы, имеют что-то общее?  Возможно Вы хотите "идти в ногу со временем", поближе к "современным технологиям". Но без понимания основ рез-т печален. Перед тем как тыкать нейросеть в каждую щель лучше поинтересоваться как люди делали "до того".

А деток все-таки жалко  

Ну я же не программирование и алгоритмы преподаю, а физику) Хотя в прошлом семестре был такой один курс, но там из-за пандемии всех на удалёнку отправили..


Я и не говорил о 2-ух и более картинках. "Статистика" собирается с одной картинки. При триангуляции, вы получаете однозначный результат на основе ближайших точек, а здесь нет. На результат будет влиять и предыстория. 

А с триангуляцией будет ещё дольше)