因为基于结构和纹理的传统数字图像修复技术仅在像素层面对受损图像进行修复,缺乏对图像高层语义的理解,因此无法修复带有大面积受损区域的图像。基于深度学习的图像修复技术利用生成式对抗网络强大的语义推敲以及特征提取能力在修复大面积缺失区域方面显示了极大的潜力。然而现有的基于深度学习的研究在进行修复时大多只考虑缺失区域之外的信息,或者仅依赖缺失区域上下文生成图像样本块,忽略了缺失区域内部相邻像素之间的语义相关性和特征连续性对修复效果的影响,这可能导致其上下文结构不连续,纹理细节模糊不清。本文针对上述问题对基于深度学习的图像修复技术开展了进一步深入研究,主要研究工作如下:(1)基于生成式对抗网络,引入一种由粗到精的级联式修复框架,粗修复网络首先对图像进行一个初步的预测及复原以稳定训练过程并扩大感受野,同时为精修复网络提供图像结构的先验分布;精修复网络则根据粗修复结果可以更全面地学习到图像的结构信息从而提升修复效果。(2)针对重建图像时常出现的语义失真问题,提出了一种内外语境注意力模型嵌入在精修复网络中,该模型不仅可以保持缺失区域内部像素和外部像素的高度相关性,同时还能增强缺失区域内部生成像素之间的语义连续性,并联合处于缺失区域内外的像素以共同指导缺失区域的重建。(3)仅仅建立在自然图像水平上的对抗性损失不足以产生清晰的纹理细节。为了解决这个问题,本文引入了一种基于小波分解的纹理对抗损失以增强图像的细节表现。通过将生成图像进行小波分解得到代表图像细节的高频分量,随后将其作为判别器的输入,利用对抗损失以学习图像的纹理细节。本文在Celeb A和Place2两个大型图像数据集上分别进行了验证与评估。实验结果表明不论是针对矩形还是不规则的缺失区域,本文算法都能实现大面积破损图像的修复任务并重建出符合视觉真实性的结果。同时通过对实验结果的定量与定性的分析,相较于现有的一些方法,本文算法的修复结果具有更连续的语义和更清晰的纹理细节。深入推进本文的研究将有助于提升图像自动修复技术在复杂环境下的适用性。