随着科学技术的发展,数字图像越来越在人类的生活中占据重要的地位。然而,数字图像在采集、传输等过程中容易受到诸多自然或非自然因素的影响导致图像受损,而当人类透过玻璃或窗户等透明介质拍照时得到的图像也往往含有反射影像,这使得图像质量受到严重影响。尽管伴随着深度学习技术的崛起,图像修复技术得到了巨大的提升,然而在具有挑战性的任务中,如缺损图像修复和反射图像修复,当前方法修复的结果仍然存在不足。本文深入分析当前缺损图像和反射图像代表性修复方法,围绕当前主流方法存在的不足,分别提出针对缺损图像和反射图像的修复方法。本文的主要工作如下:1.系统地阐述图像修复的数学模型,分别研究并分析三种当前缺损图像修复方法:CA、GMCNN、PEN-Net和反射图像去除方法:BDN、Rm Net、DAD,深入分析主流方法的实验结果发现缺损图像修复方法的结果仍存在结构不合理以及细节模糊的问题,反射图像去除方法的结果存在信息丢失以及反射仍可见的问题,进而针对这些主流方法的不足,本文提出相应的改进思路。2.针对现有缺损图像修复方法由于修复网络传入扩张卷积时的特征尺寸过大,使得扩张卷积未能充分感受图像的上下文信息,以至于修复网络不能有效利用未缺损区域的有效信息来填充缺损区域,进而导致图像修复结果存在结构不合理以及细节生硬的问题。本文提出基于密集传播的缺损图像修复方法。该方法通过构建多尺度密集扩张卷积网络,将修复网络的高级特征压缩编码为更紧凑特征,对不同尺度下的紧凑特征进行扩张卷积的密集连接传播,以实现对未缺损区域上下文信息的充分利用,进而保证缺损图像修复结果的结构合理以及细节平滑。实验结果表明,与当前代表性缺损图像修复方法相比,本文所提基于密集连接的缺损图像修复方法在结构和细节方面都有更强的重建能力。3.针对当前主流反射图像去反射方法的网络架构仅依赖于低分辨率特征恢复,以及同分辨率特征跳跃连接得到高分辨率表示,而未能利用图像的多分辨率表征信息来指导图像高分辨率表征信息的表示,导致反射图像去反射结果存在信息丢失以及反射仍可见的问题。本文提出基于多分辨率融合学习的反射图像修复方法。该方法通过构建并行多分辨率子网,对多分辨率表征信息进行重复地多尺度融合,使得最终包括结构和细节在内的高分辨率表征信息更加精确,从而实现反射图像的修复。实验结果表明,相较于当前主流的反射图像去反射方法,本文所提基于多分辨率融合学习的反射图像修复方法能重建出质量更高的无反射图像。