摘要: 本文开展了基于生成对抗网络（GenerativeAdversarialNetwork,GAN）的图像修复算法研究，针对目前图像修复任务中存在的结构和纹理修复难题，通过生成器和判别器的对抗博弈训练获得高质量的图像修复结果。本文具体开展并完成了以下研究工作： （1）... 展开 本文开展了基于生成对抗网络（GenerativeAdversarialNetwork,GAN）的图像修复算法研究，针对目前图像修复任务中存在的结构和纹理修复难题，通过生成器和判别器的对抗博弈训练获得高质量的图像修复结果。本文具体开展并完成了以下研究工作： （1）针对在破损区域周围纹理较复杂时，修复后结果中填充区域与已知区域出现结构和纹理连接不一致的问题，提出一种基于门控卷积生成对抗网络的两阶段图像修复算法。在边缘修复网络和纹理修复网络中，利用门控卷积替换网络残差块中的空洞卷积，有效学习背景与掩码之间的关系，并利用谱归一化马尔科夫判别器加快网络收敛速度、稳定网络训练过程。数值实验结果表明，算法在修复不同大小的掩码区域的图像时，相较于以前的两阶段修复算法在峰值信噪比（PeakSignaltoNoiseRatio,PSNR）和结构相似性（StructuralSimilarity,SSIM）上分别提高了3.8%和3%，且主观视觉整体效果提升明显。 （2）针对如何更好的保持修复区域与已知区域结构一致性的问题，提出了一种基于上下文归一化（ContextNormalization,CN）的生成对抗网络图像修复算法。在边缘修复阶段的生成器的残差块后加入上下文归一化模块，以解决均值和方差漂移问题；在纹理修复阶段的生成器的残差块后加入上下文归一化模块，对受损区域和未受损区域进行单独的归一化，并进行全局仿射变换，以提升结构恢复能力；为保证预测的上下文区域的稳定，将谱归一化马尔科夫判别器与上下文判别器联合起来进行优化判别。数值实验表明，算法的各项评估指标均优于前一章方法。主观视觉效果上，算法对图像结构恢复的提升较明显。 （3）开展了图像对象智能移除的工程应用演示设计，开发了基于PyQt5框架的智能图像修复辅助演示工具。该工具可跨平台运行，支持Windows、Linux或macOS等操作系统，其主要功能有两项：在原图像上自由绘制掩码区域，实时完成并呈现修复结果；或者自动识别掩码区域进行修复和显示结果。此外，此工具还开放了添加自定义算法的接口，以满足后续算法扩展和升级。 收起