李 健，孙大松，张备伟

南京财经大学 信息工程学院 教务处，南京 210023

近年来，图像修复技术逐渐成为计算机图形学和计算机视觉领域的研究热点。它是解决如何使用计算机实现图像的自动修复，以及如何判断修复结果是否有效的问题，已在文物保护、影视特技制作、虚拟现实等领域得到广泛应用。传统图像修复算法主要有两种[1]：一是基于纹理的图像修复[2-6]。这种方法主要是从图像内部提取小块（patch）并利用这些小块补全图像的破损部分。这种算法善于传播高频细节，但无法捕获图像的语义或全局结构。故其仅适用于图像破损区域附近有重复的内容，或者是小而均匀的区域，而面对复杂的图像或者大面积缺失时无法生成合理的输出。另一种方法是基于外部搜索的图像修复。这种方法试图从大量的同类图像中提取小块补全破损部位，但是若没有很好的相似图像，修复会出现错误，并且由于需要访问外部数据库，故该算法的局限性较大因而无法得到广泛的应用。

以上两种传统的图像修复方法的局限性在于不能很好地理解图像的语义内容，而随着深度学习研究的发展，卷积神经网络（Convolutional Neural Network，CNN）[7-8]的出现使提取图像的高维特征成为了可能，这些特征有助于生成语义上合理的图像，从而解决了传统算法的难题。

文献[9]提出的上下文编码器（Context Encoder）算法，是首个利用深度学习在图像修复领域取得成就的算法，其在大面积缺失的图像修复问题中有着不错的效果。……