随着便携数码设备的普及,数字图像广泛地出现在了人们生活的方方面面。在拍摄条件受限等多种因素的作用下,部分图像中会存在缺损等不符合预期的内容,随着图像数量的大幅增长,这种存在缺陷的图像也越来越多。为了处理这些缺损图像,人们对自动化的图像修复算法的需求也越加迫切。面对如何实现图像自动化修复这一难题,学者们做了大量工作,并且提出了许多有效的数字图像修复算法。近年来随着计算机技术的飞速发展,人工智能与机器学习算法得到了长足的进步。由于深度学习算法在图像处理方面表现出了优异的性能,因此被广泛应用于计算机视觉领域中,图像修复算法作为计算机视觉领域的分支也从中受益。随着许多基于深度学习的图像修复算法的提出,图像修复的效果得到了巨大的改善。图像修复算法是指参考缺损图像的剩余信息生成修复补丁,使修复后的图像尽可能接近真实图像的算法。但由于缺损处信息已丢失,因此在单幅图像上进行的传统图像修复算法效果往往不尽人意。由于基于深度学习的图像修复算法能够从大量图像中学习完整图像所具有的整体结构等统计信息,进而将这种信息应用于缺损图像上,推理得到图像缺损处的信息,因此该类算法与传统图像修复算法相比有着更好的表现。尽管现有的许多算法已能实现较高质量的图像修复,但其中仍存在着一些问题,如细节信息修复不佳、整体结构不合理等。针对现有算法中存在的问题,本文采用基于卷积神经网络与生成对抗网络的思想,对图像修复问题进行研究。本文的主要工作如下:1.针对现有图像修复算法中结构修复不佳的问题,本文将边缘图引入模型的损失函数中,增强了模型对图像边缘结构的修复能力。为了增强模型对图像不同尺度对象的修复效果,本文使用多尺度边缘损失约束模型。为了得到较大的感受野,本文使用空洞卷积搭建了一个较深的网络,而为了解决由于网络过深带来的梯度消失问题,同时为了复用浅层特征,本文使用了密集连接残差模块。为了避免反卷积造成的棋盘伪影问题,本文使用最近邻插值算法与卷积层相结合的方式对图像进行上采样处理。2.针对面部图像修复中存在的语义结构不佳的问题,本文设计了面部特征点损失函数,同时引入总变分损失函数,以参考图像先验信息的损失函数约束模型训练过程。在引入先验信息后,修复所得的面部图像在结构上更加合理、真实,证明了引入先验信息能对图像修复算法的效果产生较大的提升。针对现有算法对图像整体与细节修复不协调的问题,本文使用图像的多尺度信息参与图像修复过程,利用不同感受野的卷积核提取图像在不同尺度上的信息。由于图像在不同尺度下的特征之间维度过高且存在冗余信息,本文引入了通道注意力机制进行特征选择与特征降维。为了同时保证模型在整体与局部上的生成效果,本文采用了双判别器的结构。由实验结果可以看出,在多个数据集、多种评价指标下,本文的模型都有着较好的效果。