图像补全模型的研究有利于帮助人们更加便捷地对图像进行复原或修饰。目前图像补全方法的研究以基于深度学习的模型最为常用,效果也更为优秀,但是由于图像缺失种类的多样性,多数图像补全模型对于边界缺失的图像不能进行有效地填充补全。同时基于深度学习的图像补全模型往往都需要大量的训练数据和大规模训练作为支撑,这一定程度上增加了模型在实际应用场景下的限制。因此,如何在较小规模训练的前提下,构建一个能够有效补全多种缺失情况的图像补全模型是一个值得研究的热点问题。针对以上问题,本文提出一种基于生成对抗网络的图像补全模型,一方面通过增加辅助的图像处理算法使模型能够在训练期间快速收敛,另一方面通过对模型的结构进行优化,提高模型的运行效率和补全效果。具体研究内容如下:1.本文根据已知像素的重要程度,设计一种基于区域生长的预处理算法,将与缺失区域边界处的已知像素相似且连通的像素点进行重点标注,帮助模型快速理解图像信息,加速模型的收敛速度。通过对比实验表明,本文所提出的图像补全模型能够更有效地对边界缺失进行补全处理。2.为了进一步提高模型的计算效率,利用一种注意力机制模块提高算法运行速度。模型利用注意力机制模块对条件生成器中编码器部分的每一层神经网络设置注意力权重。根据网络参数的不同,注意力权重也随之改变,以便模型在特征提取的每一层网络层都能关注重点区域,避免缺失区域像素对结果造成干扰。3.由于图像清晰度是一种很难量化的高级语义,本文基于云模型设计一种用于鉴别图像清晰度的锐度鉴别器。通过云模型将图像清晰度这一不确定概念转换为定量问题,进而约束生成结果的清晰度。通过实验表明,本模型生成的补全结果在细节处理方面明显优于其它方法。