徐 涛，周纪勇，张国梁，蔡 磊

（1.河南科技学院 人工智能学院，河南 新乡453003；2.河南科技学院 机电学院，河南 新乡453003；3.国家电网全球能源互联网研究院有限公司，北京102209）

1 引 言

图像修复是将因遮挡、模糊、传输干扰等各种因素造成信息缺失或损坏的图片，利用图像缺失部分邻域的信息和图像整体的结构等信息，并按照一定的信息复原技术对图像的缺失或损坏的区域进行修复［1-2］。图像修复技术具有独特的功能，已被应用到许多图像处理的场景中，例如删除图像中不需要的物体，去除目标物上的遮挡物体，修复损坏等。图像修复的核心技术是图像修复区域既要保持全局语义结构，又要保证生成逼真的纹理细节［3-5］。

传统的修复方法大多数是基于纹理合成和基于结构来实现图像信息的复原。基于纹理合成的技术通常利用低级特征的区域匹配和补丁来修复图像的缺失像素［6-9］，例如：彩色特征（RGB）值的均方差或尺度不变特征变换（SIFT）特征值［10］。此类方法对静态纹理的合成效果较好，但并不适应于图像结构复杂的场景。基于结构的图像修复方法常常依据图像信息的结构性原则，采用逐步扩散的方式修复图像，该类方法普遍适用于修复小范围缺失的图像［11-13］，当待修复目标信息大量缺失时修复效果就会明显下降。

深度学习方法的快速发展为图像修复模型开辟了一条新的路径。基于深度学习的图像修复模型是将一个深度神经网络通过在数据集中经过大量的训练，学习到图像更多深层次的特征信息，从而得到更加逼真的图像修复效果［14-16］。……