图像修复是通过对受损区域或丢失信息进行补充,来恢复图像的原始视觉效果。作为图像处理领域中的研究热点,图像修复技术在目标物体移除、老照片修复、特效制作等方面都具有重要的研究意义。本文讨论了深度学习和生成式对抗网络的相关理论,介绍了基于深度学习实现图像修复的几种网络结构,并在生成式对抗网络的基础上,提出了两种图像修复算法。具体工作包括:首先,基于生成式对抗网络,设计了一种级联式生成对抗网络图像修复模型,用于解决规则破损区域的图像修复问题。该模型分两个阶段进行图像修复,由粗化生成和细化生成子网络串联而成。在粗化生成网络中设计了一种并行卷积模块,由三层卷积通路和一个深层卷积通路并联组成,可解决网络层数较深时的梯度消失问题,同时有助于梯度的反向传播;在深层卷积通路中提出了一种特征提取模块,可利用不同大小的卷积核来获取更加丰富的图像信息;在细化生成网络中增加了空洞卷积和跳跃链接,以获得更加丰富的图像特征,实现复杂纹理的自动修复。在三个标准国际数据集上的仿真实验结果表明,该算法修复图像视觉效果良好,量化评估结果准确,可以实现对复杂结构和纹理信息的自动修复。其次,提出了一种基于级联残差模块和对抗学习的图像修复算法,用于解决自由形状破损区域的图像修复问题。设计了一种级联残差模块,通过对4个通道的双层卷积进行交叉级联,可有效增强特征复用;采用空洞卷积,可以充分利用上下文信息,保留更多的图像底层细节,实现图像的准确修复;此外,在网络中采用门控卷积,在密集图像块上采用光谱归一化判别器,可以稳定训练,加快训练速度,同时解决了全局和局部判别器不适用于自由形状掩码的问题。该方法可包含更多复杂结构,完成具有自由形态掩码的图像修复,修复结果更加真实可信。综上所述,本文提出的两种图像修复算法通过深度学习训练,对于规则和自由破损区域两种图像,都能恢复其完整的视觉效果,修复效果自然真实,与当前常用深度学习算法相比性能更优。