在最近几年中,人脸识别技术飞速发展,在进行人脸识别时,由于获取人脸图像时一般都没有约束条件,人的姿态、表情以及光照情况等都具有复杂性,而且有时会存在不同的遮挡状况,这些因素都会影响现有的人脸识别技术,严重妨碍了人脸识别技术的发展。大多数的人脸图像修复方法,需要有被修复对象的原始完整样本为前提,且大多数现有的方法都是仅从单个图像中提取有用信息或以此来生成和已知区域中相似的内容,缺乏局部和全局信息的关联性,修复结果缺乏精细的纹理细节,无法取得令人满意的效果。针对存在的这些问题,论文提出了基于BEGAN(边界平衡生成式对抗网络,Boundary Equilibrium Gnenerative Adversarial Networks)的双判别网络人脸图像修复算法,其中主要研究工作如下:(1)将用于图像生成的BEGAN的网络模型应用到人脸图像修复任务当中,并改进了生成网络的结构。针对人脸图像修复与图像生成任务的差异,对生成网络结构进行了改进,将图像生成任务中的单解码器结构改为编解码结构,完成二维图像到二维图像的映射。改进后的生成网络包含深度编码器和解码器,有利于卷积网络的优化,加快模型的收敛速度,可以初步实现遮挡人脸图像的修复。(2)针对基于BEGAN的人脸修复算法中仅采用全局判别网络会出现修复区域模糊和一致性差的问题,提出了联合全局和局部的双判别网络结构。这促使判别网络更关注修复区域的局部一致性,采用两个判别网络,不但可以提高修复区域生成内容的真实性,还可以保证修复图像的视觉一致性和连贯性。(3)为了进一步约束生成图像和真实图像之间的误差,在生成网络的重构误差基础上加入了重建损失,从而增加生成图像的真实性。最后针对人脸修复图像质量评价的真实性与公正性,论文中采用了一种主观和客观评价相结合的方法,无论是定量还是定性分析,都表明论文中提出的修复算法可以实现较高的修复效果,进一步验证了算法的可行性与合理性。