近年来随着计算机视觉和深度学习在学术界的快速发展与研究,使得深度学习方法在图像修复、特征提取、图像翻译、图像生成等领域的优势日益突出。深度学习越来越成为研究者们的研究方向。深度学习的方法已经表明极富挑战性的修复任务取得了可喜的成果,这些方法可以生成看起来合理的图像结构和纹理。自2014年Ian Goodfellow等人提出了GAN（Generative Adversarial Network）以来,生成对抗网络（GAN）目前已然成为图像修复、图像翻译、图像生成等领域的一个研究热点。本文关注行人图像的补绘问题。如今,监控摄像头被广泛部署在城市的每一个角落。因此,每一秒都可以获得大量的行人图像。如何自动分析和理解其背后的内容就成为一个迫切的研究课题,具有明显的理论和应用价值。显然,源图像的质量将严重影响后续的理解阶段。因此,本文将讨论如何恢复被破坏的行人图像。由于监控摄像机大多分布在室外,采集到的图像不可避免地会出现一些色调上的失真。我们认为,如果处理不当,色调失真可能会降低修复效果。因此,本文提出了一种综合的网络结构,可以恢复受损的行人图像,同时纠正色调失真。为了实现稳健恢复,本文采用了生成对抗的网络框架。现有的GAN方法非常普遍,许多GAN都使用多个判别器。但是,它们的多个鉴别器全部用于实现全局和局部图像的一致性,它们的目的和用法是一致的。在这一点上,本文的方法是不同的,整体生成器完成了图像的翻译,全局鉴别器用于校正色调。对于修复部分,我们考虑添加一个额外的鉴别器来细化修复效果。这样,我们针对两个完全不同的功能构造了两个生成对抗性损失,从而实现了色调校正和图像修复的有效结合。我们的方法强调通过GAN网络将图像修复与色调校正融合在一起。