图像修复是图像处理领域的基础问题,旨在构造满足人类视觉感知的目标图像。由于在采集、传输以及保存过程中诸多因素的影响,导致无法获取图像原本包含有的全部信息,进而影响人类对图像内容的分析和理解。图像修复技术研究目标是根据输入图像已知区域的先验信息,推测重建出缺失区域的内容过程,使得被填充区域的内容看起来具有视觉观赏性同时不易被人察觉。随着人工智能的时代来临,驱动着图像修复技术在各领域的迅速发展,在文物修复、图像编辑、公安刑侦以及遥感卫星图像等领域有着广泛的应用前景。作为图像处理的不适定问题,图像修复的研究面临一些问题和挑战。在图像修复过程中,对待修复图像的内容理解十分重要,不同于人类视觉感知系统,计算机很难直接理解图像内容。针对复杂纹理和大面积缺失的图像,很难用一个模型去描述缺失部分的内容。本文在掌握了深度学习、注意力机制、小波变换等理论的基础上,重点围绕图像修复在内容理解存在部分信息丢失和特征自身关联性弱的问题,提出了有效的图像修复方法,主要的研究内容及相关贡献归纳如下:1.分析了基于深度学习的图像修复方法的机理,并研究了注意力机制模型,同时给出了图像修复方法的常用数据集以及质量评估方法,为本文的方法研究和实验分析奠定理论基础。2.提出了基于层间特征融合的图像修复算法。针对基于上下文注意力机制的图像修复算法仅利用单一层图像特征建立上下文注意力层,导致图像修复结果出现一些部分信息丢失的问题,探究了上下文注意力机制的原理后,依据该理论并结合不同层之间的特征,同时利用多尺度融合的方法,解决了图像修复中部分信息丢失的难题。此外,联合边缘特征并引入了边缘对抗损失,提高对图像特征的约束能力,最终提出基于层间特征融合的图像修复框架。实验验证了该方法的有效性。3.提出了基于多注意力的图像修复算法。针对基于上下文注意力机制的图像修复算法仅通过注意力机制算法建立破损区域与已知区域之间的联系,忽略特征自身的联系,导致图像的待修复区域信息模糊的问题,充分利用自注意力机制关注特征自身的特点,引入了通道注意力机制模型,建立特征通道维之间的关联性。另外,联合小波变换的特性以优化修复网络性能。最终提出了基于多注意力机制的图像修复方法,实验结果验证了该方法的有效性。