随着社会的发展人们生活水平不断提高,拍照摄影已经成为了大众生活中必不可缺的一部分,然而在拍摄风景照、个人照和合照中,经常会混入无关人员,这种情况下很影响拍摄者的拍摄体验。如何简单有效地移除无关人员,并对背景进行修复,使图片看起来自然没有违和感,是一个很有现实意义的问题。生成式对抗网络(Generative Adversarial Nets,GAN)是一种借鉴博弈论思想的深度学习模型,通过生成模型(generative model)和判别模型(discriminative model)之间相互博弈学习最终实现良好的输出。本文采用生成式对抗网络研究图像修复问题,运用语义分割和生成式对抗网络实现图像整人移除及修复。本文主要工作内容如下:1.构建用于整人移除的图片数据集。数据集包含单人场景图片和多人场景图片两大类,一共16000幅。图片来源于百度,谷歌以及places2场景数据集中手动筛选的图片。单人场景图片分为背景单一和背景复杂两类场景,每类包含图片3000幅。多人场景分为背景单一有间隔、背景单一无间隔、背景复杂有间隔、背景复杂无间隔四类场景,每类包含图像2500幅。从上述数据集中每类随机选取500幅,合计3000幅图片用于语义分割数据集;运用labelme标注工具手动标注,并转换成符合语义分割要求的图片。2.运用语义分割技术和生成式对抗网络实现图像整人移除及修复。语义分割网络用来自动对人生成掩码,网络结构采取U-net。借鉴生成式对抗网络的思想设计了PR-GAN用于图像背景修复。网络包含两个生成器和一个鉴别器,两个生成器分别进行粗略修复和精细修复。模型采用微调方法进行训练。实验结果表明:(1)在单人场景下,本文模型PSNR和SSIM分别达到19.014和0.7347,比预训练模型分别提高0.372和0.0085;移除效果较好的图片占生成总数的66%,与预训练模型相比提高了9%;(2)在多人场景下,本文模型PSNR和SSIM分别达到19.637和0.7309,比预训练模型分别提高0.184和0.0018;移除效果较好的图片占生成总数的58%,与预训练模型相比提高了5.5%。3.通过借鉴注意力机制,设计了改进的PR-GAN网络来实现图像整人移除及修复任务。改进的PR-GAN在第二个生成器第二条支路的第6和第7卷积层之间加入了注意力层,用带有注意力的特征图去代替传统的卷积特征图,以进一步提升模型的性能。实验结果表明:(1)在单人场景下,改进的模型PSNR和SSIM分别达到19.468和0.7443,比微调模型分别提高0.454和0.0096;移除效果较好的图片占生成总数的74%,较微调模型提高了8%;(2)在多人场景下,改进的模型PSNR和SSIM分别达到19.696和0.7420,比微调模型分别提高0.059和0.0111;移除效果较好的图片占生成总数的65.5%,较微调模型提高了7.5%。