随着图像处理技术的最新发展,尤其是图像处理工具的灵活性不断加强,传统的图像复原技术遇到了挑战。近年来,基于深度卷积网络的图像复原技术由于可以获取全局特征因而在图像复原领域取得了巨大的进步。跟基于深度卷积网络的方法对比,基于生成对抗网络的图像复原技术能够复原出更高分辨率的原始图像,因此成为了当前的一个研究热点。基于生成对抗网络技术,本文首先研究了特征比较单一的人脸图像复原,接着研究了复杂区域的图像复原以及跨类别的图像复原,最后研究了多角度和表情的人脸复原。取得的创新成果主要有:1.基于生成对抗网络的人脸复原算法。提出了基于生成对抗网络的模糊人脸复原算法和遮挡人脸复原算法。通过分析现有模糊图像复原技术,首先将生成模型的结构从完全上采样的过程修改为先进行下采样然后进行上采样的过程。其次为了得到更加清晰的复原结果,本文在原始对抗网络使用的交叉熵损失的基础上添加了 L1损失。跟传统的算法相比,提出的模型在复原结果识别率方面提升了10%。同时设计了一种基于生成对抗网络的遮挡图像复原算法。在原始生成对抗网络的生成模型和判别模型基础上增加一个二次判别模型。二次判别模型用来缩小被遮挡区域与未遮挡前的局部差异。判别模型用来缩小被遮挡图像与未遮挡图像的整体差异。同时由于二次判别模型的存在,生成模型的损失增加了四个新的参数。在局部和整体复原的前提下,提出的模型复原结果优于局部样本块搜索复原算法。2.基于生成对抗网络的复杂图像复原算法。提出了基于生成对抗网络的整体马赛克去除,可见水印去除和复杂遮挡图像复原算法。为了从人脸复原过渡到人脸以外的复杂图像复原问题,在原始生成对抗网络的生成模型和判别模型基础上增加了两个新颖的解析网络以获取生成图像和原始图像的更多细节差异。在增加解析网络后,针对全局马赛克去除,提出了一种基于均方误差的维护和复原算法。本文将维护和复原图像算法用于计算像素损失和内容损失,从而在峰值信噪比等指标上取得了最高的得分。在增加解析网络后,针对可见水印去除问题,提出了在生成模型中添加自注意层的解决方案。生成对抗网络模型用于建立从水印图像和真实图像之间的映射。同时自注意层被用于提取不同含水印图像中水印区域的不变特征。最后,文中还提出一种新颖的结构相似度损失算法来发现随机可见水印图像和真实图像之间的像素差异。训练好的模型可以删除任意位置可见水印并复原出接近真实图像的结果。对比以前的模型,提出的模型在峰值信噪比等指标上至少提高了 10%。在增加解析网络后,针对复杂遮挡图像复原中的问题提出了快速行进的生成对抗网络模型。首先提出用快速行进算法在生成网络处理之前获取更多的相邻像素。然后提出用开平方损失来计算像素损失和内容损失,并复原遮挡图像。最后提出了一种测量生成模型稳定性方法,并在数学上验证了开平方损失在获取像素差异和内容差异方面的巨大优势。3.基于生成对抗网络的跨类别图像复原算法。提出了用于野生数据集下跨类别复杂图像复原算法。本文将不同类别间的潜在空间分为全局和局部,并设计了一个弱监督的类似性的生成对抗网络来捕获局部的潜在空间而不是全局的潜在空间,从而在不同类别图像之间建立映射关系,避免了其他模型因为得不到正确的全局潜在空间而发生崩溃,最终实现了跨类别的图像复原。4.基于生成对抗网络的多角度和表情人脸复原算法。针对多角度和表情人脸复原结果存在无穷多可能的问题,提出了使用分类器将相近的人脸角度和表情特征分类的方法,分类后的模型只需学习有限多的映射,从而解决了多角度和表情人脸复原在无穷多种情形下的收敛问题。针对现有模型的生成器网络通常使用低纬度的分类标签作为束,但是其不能完全约束不同人脸之间的形状和大小差异而导致错误的复原结果,本文提出在生成器网络中使用高维度的分类特征作为约束条件,得到了兼容性较好的复原结果。最后针对复原学习的顺序控制不当将影响复原效果的问题,本文提出使用两个具有不同收敛速度的损失函数来依次学习人脸的角度和表情特征,在人脸的角度和表情复原两个方面都得到了比较好的效果。