武文杰 王红蕾

(贵州大学电气工程学院 贵州 贵阳 550025)

0 引 言

在当今信息时代，图像是一个非常重要的信息载体，许许多多的信息都是从图像中获得的，因此图像修复工作十分重要。图像修复是指将一幅不完整的图片使用一定的手段进行填充或补全。图像修复的意义重大，其不仅能够在文物复原上发挥巨大的作用；在资料修复、辅助人脸识别等方面同样有很高的应用价值。

传统的图像修复方法主要分为两大类：(1) 适用于缺损面积较大的图像填充修复，常用的方法有块匹配(PatchMatch)方法[1]、统计块概率修复方法[2]等，这些方法主要是依据原图上已有的信息进行修复，如果图像上的信息与缺损区域相似度不高，则修复效果很差。(2) 适用于小尺寸的图像修复方法，常用的方法有全变分方法、Criminis 算法、快速行进算法等[3]，这些算法内容修复较好，但是图像会缺乏高层次连贯性，且缺损区域变大就会变得模糊。总体来说，传统的图像修复的方法都是利用原图的已有信息进行修复，在内容和图像层次上缺乏连贯性，使得修复结果不够好，且当图像的缺损较大时，很可能会造成关键信息的丢失，使结果更加不如人意。

深度学习方法让图像问题有了新发展，其在图像修复、图像超分辨率[4]等图像处理问题上效果显著。与传统的图像修复方法相比，深度学习方法的优点在于可以通过不断学习图像的特征加深对图像的了解，从局部和整体对图像进行修复，弥补了传统方法内容纹理缺乏连贯性和大块缺失区域修复困难的缺陷[3]。……