摘要: 图像修复是计算机视觉领域研究的一项重要内容，在图像编辑、影视特效制作、虚拟现实以及文化遗产保护等领域都具有广泛的应用价值。基于深度学习的图像修复的主要目标是通过输入待修复图像，重建并修复出破损区域的内容。同时，通过设计网络模型的架... 展开 图像修复是计算机视觉领域研究的一项重要内容，在图像编辑、影视特效制作、虚拟现实以及文化遗产保护等领域都具有广泛的应用价值。基于深度学习的图像修复的主要目标是通过输入待修复图像，重建并修复出破损区域的内容。同时，通过设计网络模型的架构并使用合适的损失函数，可以使修复出的图像结构连贯和细节清晰。目前，当前图像修复的主流方法主要是建立在生成对抗网络模型上，并且用博弈机制来进行破损图像语义级别上的修复。本文主要针对图像修复模型存在的大尺度细节信息丢失、特征信息利用不充分、无法正确区分待修复图像中的有效像素和对图像关键区域关注度不足等问题。在生成对抗网络模型下，通过多尺度特征融合、门控卷积和多级注意力，提出了两种图像修复方法。本文主要研究内容以及贡献如下： 1.本文通过研究当前三种主流的代表性图像修复算法，并且进行实验对比三种方法的修复结果以及分析三种方法的优缺点后，进而发现主流代表性方法的图像修复结果存在细节模糊、结构扭曲、修复错误和特征信息利用不充分等问题。 2.当前代表性方法都存在未能充分利用待修复图像中大尺度下的细节信息，仅依靠编码网络特征提取后的结构特征进行修复。同时，解码网络还存在对破损区域周边信息利用不充分的问题。因此本文提出了多尺度特征融合的图像修复方法，通过在编码网络加入扩张卷积来增大卷积滤波器的感受野，并将编码网络不同尺度下包含的特征信息，通过跳跃连接的方式聚合至对应尺度的解码网络中，以此来解决解码网络在修复阶段对破损区域周边信息利用不充分的问题。实验证明，本文提出的多尺度特征融合的图像修复方法具有良好的细节重建能力，生成的修复结果更加真实。 3.针对基于当前图像修复方法中传统编解码网络无法确保使用有效像素信息进行修复以及对重要特征区域关注力度不够，致使修复后的图像出现结构扭曲、明显的边缘相应和色差等问题。基于此，本文提出一种基于门控卷积的注意力图像修复方法，通过在两级网络架构中引入门控卷积和多级空间注意力机制（MultilevelSpatialAttentionMechanism,MSAM）来确保网络模型可以生成结构正确和细节逼真的修复结果。通过实验结论可以证明本文提出的基于门控卷积的注意力图像修复方法恢复出破损区域的结构更为完善和连贯，细节更清晰。 收起