摘要: 近些年，随着计算机硬件设备的不断升级和大数据时代的来临，图像作为关键信息载体之一，其地位和作用逐步上升。日常生活对图像修复需求的增加使得图像修复技术层出不穷，然而图像修复技术在视觉一致性和语义正确性上仍有很大的上升空间。因此，本文... 展开 近些年，随着计算机硬件设备的不断升级和大数据时代的来临，图像作为关键信息载体之一，其地位和作用逐步上升。日常生活对图像修复需求的增加使得图像修复技术层出不穷，然而图像修复技术在视觉一致性和语义正确性上仍有很大的上升空间。因此，本文深入探索人脸图像修复领域，以VGG-19网络为基础,设计基于轮廓指导和门控卷积的图像修复模型，研究提升图像修复质量的关键技术，主要研究工作如下: 针对修复图像存在边缘伪影、细节模糊和局部颜色不一致的问题。本文提出一种新颖的图像修复思路:先用Transformer-Cov轮廓预测模型预测被口罩遮挡的面部特征，再将这些轮廓特征作为先验信息和缺失图像一起输入到Trans-Gated图像修复模型。消融实验证明轮廓指导的图像修复效果更加显著。 针对预测轮廓噪声增加、关键信息缺失等问题，本文提出Transformer-Cov轮廓预测模型。该模型以VGG-19网络为基础，引入Transformer网络层和ResNet的Ba-sicBlock结构，弥补卷积网络在获取全局结构信息和自然支持多元完成方面的不足。以扩张卷积层替换普通卷积层，提升预测网络对轮廓的全局信息捕获能力,使用生成对抗网的“博弈”进一步提高修复图像的视觉真实性和图像细节准确性。利用结构相似性指数(SSIM)、图像通用质量指标(UQI)、峰值信噪比(PSNR)和均方根误差(RMSE)这4项客观指标对预测效果进行评价，结果展现本文的轮廓预测模型效果更优异。 针对修复图像分辨率下降、局部模糊失真等问题，本文构建基于轮廓预测和Trans-Gated的图像修复模型。模型将扩张卷积层替换为门控卷积层，利用门控卷积动态筛选各个通道、各个位置特征的能力，生成和原始图像更加近似的修复图像。采用多层级结构相似性指数(MS-SSIM)、图像通用质量指标(UQI)、峰值信噪比(PSNR)、均方根误差(RMSE)和光谱角度映射(SAM)这5项图像修复评价指标,评估本文模型和三种图像修复模型的效果，对比结果表明Trans-Gated模型修复的图像具有更清晰的图像细节和更一致的视觉效果。 收起