随着智能手机的发展并且智能手机的方便性,越来越多的人更喜欢用手机拍摄然后用手机或电脑处理图片,而不是专业相机。但是手机拍摄的图像通常包含噪音、低对比度和微弱的色彩等问题,因此手机图像增强具有较高的研究意义。此外,有些照片包含被遮挡的区域,因此我们需要将图像补全。因此,手机图像增强和图像补全到研究者的广泛关注,具有重要的研究意义。例如,通常情况下人脸图片会有部分被遮挡,因此人脸补全在计算摄影中起着重要的作用。视频中前景和背景二者在每一帧中均是移动状态,因此视频的目标移除并补全是具有挑战性的任务。在本论文中主要解决手机图像增强,人脸补全,图像补全,视频目标移除并补全算法研究等任务。具体来说,我们的目标是在保持性能的情况下,采用轻量级的网络架构,使其具有较短的测试时间。本论文的研究范围和主要内容如下:1.对于手机图像增强任务,本文提出了一种基于CNN的轻量级图像增强的生成器,称之为多连接残差网络(MCRN),该生成器保持质量和速度之间的平衡。该网络由一个鉴别器和一个生成器组成。生成器是一个两级的网络:1)第一级提取结构特征;2)第二级重点提高感知视觉质量。同时采用多连接方式,在保证网络快速收敛的同时,获得了较好的图像增强效果。实验结果表明,该方法在感知质量和运行时间方面均优于现有方法。2.人脸补全是一项具有挑战性的研究内容,因为人脸关键部件如眼睛和鼻子通常是被遮挡的区域。本文提出了一个简单有效的人脸补全方法。首先构建了一个端到端的多层级生成网络,因为可以减少训练时间的同时获得不同层级的特征图。采用多尺度特征映射有助于生成具有真实感纹理的自然人脸。对于优化网络的参数,我们使用了两种损失函数:内容和纹理。前者包括平均绝对误差(MAE)和多尺度结构相似性(MS-SSIM)损失函数,以尽量减少内容失真;后者包括风格和对抗性损失函数,以便于纹理合成。然后为了优化以上提出的人脸图像生成网络,我们采用了基于多级注意力机制的生成结构。多层特征处理不仅减少了训练/测试时间,而且还可以保持性能再每个卷积层的通道数减少的情况下。之后我们将注意力机制和多级特征处理结合起来,以建立每一个像素点与周围内容的软相关性。对于网络优化,我们使用两种损失函数:内容和纹理。与前一种方法的损失函数不同,这里内容损失包括平均绝对误差(MAE)和边缘保持损失函数,目的是产生接近真实的修补结果,而纹理损失包括对抗性损失和感知性损失函数,用来微调纹理的合成。此外,我们利用边缘保持损函数获取边缘和周围图像的相似性。实验结果表明,该方法不仅能在随机遮挡上生成真实的结果,而且在客观评价和主观评价方面也优于现有方法。3.对于图像补全任务,本文提出基于扩张卷积和通道注意力机制的特征对比度增强的轻量级生成网络。我们采用扩展卷积来扩张感受野,在卷积核具有相同参数数量的情况下。同时,我们利用通道注意力机制来自适应特征对比度的权值。损失函数上采用,对称平均绝对百分误差(SMAPE)和颜色增强损失函数,它们分别使得生成的图像具有高质量和自然色彩,这里是用SMAPE代替重建损失函数。同时该生成网络的参数只有4.5M。实验结果表明,该方法在视觉质量、定量测量和运行时间等方面均优于现有方法。4.视频补全需要保持时间帧在信息和内容上的连贯性,因此视频补全在计算机视觉中是一项具有挑战性的任务。视频补全的目的是合成更真实的内容,并保持视频中被遮挡的区域生成内容的帧之间连续性。在这项工作中,首先,我们利用实例分割作为遮挡部分。然后,为了充分利用空间和时间信息,提出了一个简单而有效的生成结构来进行视频补全。首先,在帧融合中提出了时域匹配模块,充分利用了时间帧。在此基础上,我们提出了扩张多尺度(Dli MC)模块来重用特征图以充分利用空间信息,它由扩张卷积,两个尺度收集特征图的不同的信息,由残差结构组成。上述模块减少了测试时间和生成模型的参数。同时为了优化模型,提出了遮挡对抗损失函数,该损失函数用于微调纹理改善生成区域的细节。实验结果表明,与其它方法相比,该方法在视觉质量和主观测评方面是有效的。