黄俊健 朱 煜 林家骏 郑兵兵 韩 飞

(华东理工大学信息科学与工程学院 上海 200237)

0 引 言

图像补全一直以来是计算机视觉领域研究和应用的热点。研究人员针对人脸有遮挡的部分提出了各种图像补全算法。

传统的基于扩散的方法[1-2]使用偏微分方程确定扩散系数，并利用被遮挡区域周围的邻域信息进行加权平均。Bertalmio等[3]使用局部直方图的统计数据来补全被遮挡区域，但这种方法主要用于缺少小面积区域的情况，不能很好地生成较大面积缺损区域。传统的基于稀疏性的方法[4]将被遮挡的图像转换为变换域，并利用其在变换域中的稀疏性来重建图像，但该方法也适用于修复较小区域中的被遮挡图像，对于被遮挡面积较大或纹理缺失区域较多的图像容易产生平滑效果。

在深度学习算法中，生成式对抗网络[5-6](Generative Adversarial Networks,GAN)可以通过两个网络之间的不断博弈从而生成接近真实图像的结果，在图像生成与数据增强等方面有着其他深度学习模型无法达到的效果。因此，研究者们主要以GAN网络及其变形作为基于深度学习模型的人脸补全问题的主要算法。基于GAN网络的人脸补全算法主要过程是：(1) 将被遮挡的人脸图像作为生成器的输入得到一幅伪人脸图像;(2) 将未被遮挡的真实人脸图像与生成的伪人脸图像作为判别器的输入，判别输入是真实人脸还是伪人脸；(3) 生成器与判别器相互博弈，使生成的伪人脸图像与真实人脸图像更为接近。

使用先验信息来进行图像补全也取得了很多进展。……