摘要: 图像修复是一种常见的图像处理手段，它的目的是修复图像的破损区域，使得修复后的图像看起来足够真实、可信，该技术被广泛的应用于目标移除、老照片修复、影视后期制作等领域。传统的图像修复算法在执行大面积破损区域的修复工作时表现较差，并且无... 展开 图像修复是一种常见的图像处理手段，它的目的是修复图像的破损区域，使得修复后的图像看起来足够真实、可信，该技术被广泛的应用于目标移除、老照片修复、影视后期制作等领域。传统的图像修复算法在执行大面积破损区域的修复工作时表现较差，并且无法完成语义信息的修复，得到的结果往往模糊且不自然。而基于深度学习的图像修复算法则能解决这些问题，本文首先提出了一种基于上下文编码器的基础图像修复算法，接着根据这个基础算法存在的一些问题对其进行了改进。 基础算法在上下文编码器的基础上，对网络结构和损失函数都进行了改进。基础算法由生成模型和判别模型两部分组成，其中生成模型是一个编码-解码结构的网络，生成模型中使用了部分卷积，相较于经典卷积，部分卷积能够避免在卷积的过程中产生无意义的特征值。判别模型由局部判别网络与全局判别网络组成，其中全局判别网络能够判断整幅修复图像的真实性，局部判别网络能够判断局部修复图像的真实性。基础算法在训练的过程中使用了四种损失函数，分别为：重建损失、感知损失、风格损失、生成对抗损失。将基础算法和其他三种主流的图像修复算法进行对比实验，实验使用CelebA数据集和三种不同的掩码方案，评价指标包括主观评价与客观评价，结果显示本文提出的基础算法在三种不同的掩码方案下均表现最佳。 本文根据基础算法存在的问题对其进行了改进，得到了改进后的图像修复算法。改进措施主要有三点：改进部分卷积、使用跳跃连接、将生成对抗网络替换为Wasserstein生成对抗网络。其中改进后的部分卷积能够使修复区域变得更加清晰，跳跃连接能够强化模型的特征提取能力，Wasserstein生成对抗网络能够增加模型生成样本的多样性，并使得模型的训练过程更加稳定。将基础算法和改进算法进行实验对比，实验同样使用CelebA数据集和三种不同的掩码方案，评价指标包括主观评价与客观评价，结果显示改进后的算法生成的修复区域更加清晰、生动，拥有更多的细节，并且能保持与图像在整体风格上的统一。 收起