随着图像数字化的快速发展,图像修复技术的学术研究得到了越来越多的关注。成熟的图像修复技术具有重要的应用价值意义,它可用于老旧照片的修复,人脸识别以及考古等众多领域。当前存在的图像修复技术,在某些情况下可达到一定的修复效果,但是也存在着一些问题,如:对于图像修复结果存在的颜色失真,伪影重叠以及修复结果模糊等,本文从基于自注意力机制和基于多头自注意力机制两个层面来对图像修复进行实验研究,达到了较好的修复效果。其研究工作如下:①针对通过基于深度学习方法来获取缺失部分的特征信息时,极少从上下文语义和空间上来获取特征,在一定程度上会使修复结果出现颜色差异以及伪影模糊问题,本文结合自注意力机制在双阶段的网络模型结构上建立一种可以获取语义上下文的特征修复模型,命名为基于自注意力机制门控卷积的图像修复网络模型IISAGC。该网络模型由生成网络和判别网络组成;生成网络方法主要是修复上下文语义信息,且通过自注意力机制和动态的门控卷积相互融合,在不同的通道和空间上来提取特征,并将修复的结果传入判别网络中,来获取修复结果真假概率值。在人脸Celeba数据集上,该模型与所选取经典的图像修复模型对比,SSIM指标提升到0.935,PSNR指标达到27.84d B。②针对IISAGC的修复网络模型在消融实验中,自注意力机制在颜色失真和伪影模糊处理上发挥了关键的修复作用,故将多头自注意力机制引入到图像修复模型中。考虑到Transformer的本质为多头自注意力机制,故将Transformer和多尺度判别器组合为一个新颖的图像修复网络模型,命名为基于Transformer多尺度判别器的图像修复网络模型IINTMD。该模型也由生成网络和判别网络组成,其中生成网络为CNN和Transformer组合,以获取特征信息细节并共享卷积权值,并通过级联上采样来增强上下文特征和空间上的纹理细节特征;将生成的结果通过多尺度判别器网络,来保持图像修复结构的整体一致性及对局部缺失部分更好的进行重构,来减少颜色失真和伪影模糊并得到有效的修复。在人脸Celeba数据集上,该模型和所选取的经典修复方法比较,mean L1 loss指标提升到8.99%,mean L2 loss指标为1.63%。综上,为了验证提出的两个网络模型对于图像修复任务的有效性,本文对所提出的两个网络模型进行了定量比较,定性比较以及消融实验,在图像常用的多个数据集上进行实验。实验表明,所提出的方法在一些数据集上面有明显的提升。