摘要: 在图像获取、传输和保存的过程中，由于噪声的干扰或存储不当等因素可能会造成图像内容的缺损。图像修复作为图像处理中的主要研究领域之一，其主要目的是对图像中缺失的部分进行填补，使得修复结果与原始图片保持纹理的一致性和语义的合理性，满足人... 展开 在图像获取、传输和保存的过程中，由于噪声的干扰或存储不当等因素可能会造成图像内容的缺损。图像修复作为图像处理中的主要研究领域之一，其主要目的是对图像中缺失的部分进行填补，使得修复结果与原始图片保持纹理的一致性和语义的合理性，满足人类的视觉感知，使得人眼难以发现图片修复的痕迹。近年来，基于深度学习的方法使得图像修复领域获得了巨大进步，得益于神经网络强大的学习能力，这些工作不仅在传统的划痕、较小区域缺失的修复中取得了良好的效果，也令大区域缺失、不规则缺失等更为复杂的图像修复成为了可能。 在使用深度学习的图像修复方法中，采用重建损失函数训练的模型在修复结果中会出现模糊情况；而采用对抗损失函数训练的模型在修复的过程中会忽略噪声对模型的影响，丧失了生成对抗网络生成结果的多样性。通过实验和理论分析，本文认为这一情况是由于图像修复问题中固有的不适定性（ill-posed）造成的。引入附加信息指导图片修复可以减少图像修复中存在的一对多映射关系，同时也使得使用者可以对图像修复的过程进行控制，是一个较好的算法改进方向。 为了拓展指导信息的形式，本文提出了一种新的图像修复方法，通过与待修复图片相关的图片来对图像修复的过程进行指导。受启发于相关工作，本文首先尝试使用通道并联的网络结构进行图像修复，随后分析了图片与轮廓等指导信息的不同之处并提出了一种双编码网络结构。双编码器结构对待修复图片和指导图片分别进行特征提取，因此可以针对任务的不同有的放矢地为两个编码器采用不同的网络结构和初始化方法。实验证明，采用图片指导和双编码器网络结构是对图片修复有效的改进。 收起