随着手机等便携拍摄设备的普及,越来越多的人愿意选择自行拍摄照片并进行图像编辑,这其中就涉及到了一项重要的计算机视觉技术图像修复。本文主要对使用深度学习中的注意力机制方法进行图像修复进行了深入的研究。现有的图像修复方法在一些复杂大型孔洞上仍然存在填充结果不合理颜色模糊差异等问题。除此之外,现在手机的像素也变得越来越高,人们对于现有的图像修复方法达到的效果逐渐不满意。图像修复任务在现实生活中应用最广泛的就是物体移除任务,当图片中存在我们不想要的物体时本文想将其去除并且不影响图片整体效果,但现有的物体移除方案都没有考虑到物体阴影的存在,于是本文针对以上三个问题围绕着注意力机制对现有的图像修复方法进行改进从而提升图像修复的效果和图像修复方法的泛化能力。首先本文通过掩码和边缘注意力机制提升不规则孔洞的图像修复效果,本文提出了多尺度边缘生成模型,该模型可以针对缺失区域生成连续准确度高的边缘。然后编码器端提出了可学习的掩码和边缘前向注意力机制模块,预测的边缘引导掩码根据结构感知更新并且由掩码生成的注意图进行特征重新归一化,解码器端进一步提出了可学习的掩码和边缘反向注意力机制,更加强调填充未知像素。高分辨率图像修复问题也随着拍摄设备的像素提高变得越来越重要,本文接着提出了一种跨层自注意力机制的高分辨率图像修复网络,考虑到高分辨率图像中经常存在纹理结构相似但尺度不同的图像块,所以本文使用跨层自注意力模块构建不同层的特征之间的联系,考虑到对于不同层的注意力特征来说,与缺失区域的某一图像块最为相似的一些图像块理应是相对位置相同的,所以本文引入了一致性损失。为了测试模型的鲁棒性,本文也自行制作了一个小规模的真实场景下的高分辨率图像数据集。本文最后提出了基于示例级阴影移除和阴影生成的图像修复方案,总的来说,本文提出了一种阴影预测模型并将其应用于两个图像修复相关任务示例级阴影移除和示例级阴影生成中。本文提出的方法性能优于最先进的方法,并有效地在图片中移除物体的同时将其阴影移除,在图片中添加物体的同时生成其对应的阴影。