数字图像在传输过程中无法避免会遇到图像退化现象,使用图像复原技术作为数字图像的预处理是一个非常有效且重要的环节。图像复原的目标是一个将退化图像恢复成原始图像的过程,这一过程事实上是求解病态逆问题的过程。基于非局部自相似性的图像复原已被证明是有效的图像复原技术,但是如何将图像块更好地划分开来是图像复原效果好坏的关键。通常使用聚类算法来实现对图像块的划分,因此如何提升聚类的精度也是提升图像复原能力的研究方向之一。本文针对聚类算法进行研究,结合近年来提出的生成对抗网络,提高聚类算法的精度,从而实现提高图像复原的能力。本文主要研究内容和工作创新如下:1、针对现有的基于生成对抗网络实现潜在空间聚类的算法,提出基于注意力机制的生成对抗网络进行潜在空间聚类的算法。生成对抗网络仅包含从潜在空间映射到样本空间的模块,通过引入编码网络来拟合样本空间映射到潜在空间的模块,并且在潜在空间中加入离散-连续先验信息,使得样本空间和潜在空间之间存在一一对应的映射关系。通过引入注意力机制,更好地拟合样本空间和潜在空间之间的映射,从而提高聚类的准确度。实验结果表明所提出的网络结构相比现有的聚类算法具有更强的聚类性能。2、现有的聚类算法通常基于一个假设,即每个类别的样本数量基本服从均匀分布,但是实际上真实世界的图片并不服从这个假设,往往在某些类别的样本会比其他类别的样本多,也会存在样本数量较少的类别。针对这一问题,本文提出带有类别平衡约束的目标函数,使得该模型具有平衡每个类别样本权重的能力。实验结果表明带有类别平衡约束的目标函数在类别样本数量不平衡的数据集中仍然有较好的聚类效果,具有更强的鲁棒性。3、本文将所提出的聚类算法应用于基于非局部自相似性的图像复原模型中。首先将图像按照指定大小进行分块,然后将图像块使用所提出的聚类算法进行聚类,再对每个类别的图像块矩阵使用低秩最小化估计进行复原,最后再将图像块合成为完整图像,从而实现图像复原。实验结果表明结合本文聚类算法的图像复原模型能够有效地实现图像复原。