虚拟复原是一种利用计算机图像处理等相关技术,在不对受损物体进行实际操作的情况下,模拟出物体复原后图像的技术。这种技术不直接操作受损物体,不会对已受损物体进行二次破坏。实际复原具有复杂性和受损不可逆性,使用计算机图像处理手段辅助古代文物、工业器件进行虚拟的图像复原结果可以对实际的物体修复进行指导,降低实际修复对物体的破坏。过去的虚拟复原技术主要集中在利用数字信号处理技术进行调试的方法,这种方法一方面对于非计算机专业的人员来说使用不方便,另一方面效率不够高。近年来,GPU在图形方面及大型矩阵运算上的能力显著提高,在深度学习图像处理技术上有更多探索,基于深度学习等技术的虚拟复原研究在图像修复、风格迁移等方向开始有相关的研究。虚拟复原智能化有了研究基础。基于以上背景,本文首先调研了虚拟复原的应用现状,对这些应用的出发点和主要技术的优缺点进行了分析。在这个基础上本文讨论了将虚拟复原技术进行智能化的优点。接着,本文针对智能化虚拟复原的基本技术,在平面图形虚拟复原这个问题上,研讨了基于生成对抗网络的图像修复技术Shift-Net,基于生成对抗网络的对称图像翻译技术Pix2Pix,基于生成对抗网络的非对称图像翻译技术CycleGan。针对CycleGan在训练过程中,难转换一方会对训练进程产生影响,在小样本的情况下生成图像清晰度低的问题,本文通过与一个SRCNN模型共用U-Net语义分割网络的方法进行了超分辨率重建优化。在对图像的虚拟复原技术进行研究和优化后,本文对古代绘画褪色和缺损的问题,利用Shift-Net和Pix2Pix技术对古代绘画的这两个问题进行了虚拟复原。从实验的数据证明,本文的智能化虚拟复原方法在对古代绘画的缺损修复上比传统的虚拟复原方法更接近图像的原本语义;另外通过与人工修复效果进行对比后发现,本文的实验效果能够比较接近人工的复原效果,证明本文的方法是有效的。本文虚拟复原的第二个应用,针对工业器件受污损这一场景,通过实验虚拟去除了发动机的积碳和零件的锈迹,并结合了对小样本CycleGan生成结果清晰度低问题的优化,结果证明本文的方法在小样本的CycleGan生成的结果上能够提高生成图像的清晰度。最后,本文为了让虚拟复原更加智能化,将算法模型进行封装,搭建了一个基于Python的虚拟复原交互系统。