白宗文，弋婷婷，周美丽，魏 嵬

（1.延安大学 物理与电子信息学院，陕西 延安 716000；2.西安理工大学 计算机学院，西安 710048）

0 概述

图像修复是指利用受损图像周围合理可信的信息来重建图像的损坏区域，此技术被广泛应用于目标移除［1］、图像翻译［2］和图像编辑［3］等工程应用领域。现有研究表明，图像修复质量取决于受损面积的大小、图像自身结构特征和图像语义特征等因素。传统修复方法对于受损面积较小、图像自身结构简单的受损图像具有良好的效果，但其依赖于当前单幅图像未受损区域的信息，通过扩散或者统计计算对修复区域进行信息填充，没有利用复杂的结构特征信息或者高层语义特征，修复结果难以达到语义级的一致性。近年来，随着深度学习技术的兴起，基于深度网络模型的图像修复取得了良好的效果，尤其是人脸图像修复，这一技术的修复质量、视觉效果以及在不同领域中的应用成为关注的焦点。目前，如何使受损图像保持像素层和语义层的一致性，并且避免损坏区域与未损坏区域的不完全融合成为人脸图像修复的关键问题。采用深度网络模型进行图像修复，除了利用当前受损图像的自身信息以外，还可以结合图像结构特征和语义特征获得更优的修复质量和视觉效果，使修复的合理性得到进一步提高。

通常传统的图像修复网络都会引入特征归一化方法进行辅助训练，但对于人脸图像修复网络而言，采用这种跨空间的归一化方法容易导致在提取受损区域以及未受损区域的特征时出现内部协方差偏移的问题［4-5］，极大地影响了最终的修复质量。……