王海涌，李海洋，高雪娇

兰州交通大学 电子与信息工程学院，兰州730070

图像修复是指用合理且细致的内容填充图像的损坏区域。现有的修复方法大致分为两类：传统方法和深度学习方法。传统方法通过扩散将低级特征从周围环境传播到缺失区域[1]，或者通过搜索融合来自相同图像或外部图像数据库的相似补丁来填充缺失区域[2]。虽然这种方法能够产生平滑的结果，特别是在背景修补任务中，但它受到可用图像统计信息的限制，无法捕获图像的高级语义或全局结构。在没有对图像内容和结构的高层次理解的情况下，尤其是当图像的很大一部分丢失或损坏时，常规方法通常难以产生语义上有意义的内容。

基于深度学习的方法可以通过自动捕获内在的层次信息来理解图像内容，并生成高级语义特征合成缺失的内容，这通常胜于修复任务中的常规方法。基于深度学习的方法可以分为两类：一阶段方法，如Pathak[3]和Iizuka[4]等人提出的方法；两阶段方法，如Yang[5]、Yu[6]、Nazeri[7]和Xiong[8]等人提出的方法。Pathak 提出基于CE（Context Encoder）的修复算法，使用编码解码的结构进行图像修复，能够修复大小为128×128的图像中缺失为64×64的区域，这是第一个为大缺失区域提供合理结果的参数化修复算法。Iizuka在编码解码的基础上引入全局鉴别器和局部鉴别器进行图像修复，使用两个鉴别器来确保生成图像的全局和局部一致性。Yang提出了结合图像内容和纹理约束来进行优化的多尺度神经网络修复方法，该方法不仅保留了上下文结构，而且利用深度分类网络中最相似的中间特征层相关性来调整和匹配产生高频细节信息进行图像修复。……