数字图像修复属于计算机视觉与图形学交叉领域的研究课题。其过程是利用破损图像中未缺失区域信息,按照一定的修复规则,对图像中被污染或缺失的区域进行像素修补、填充。该技术的主要目标是修复被污染或损坏的图像,使观察者察觉不到图像被损坏的痕迹。现今,数字图像修复技术已被应用于文物保护、影视特技制作、虚拟现实和老照片修复等众多领域。本文针对基于监督的图像修复算法中修复效果差以及修复图像与目标图像差异大等问题,在pix2pix的基础上设计了一种改进算法。该算法的创新之处在于联合整体匹配鉴别网络与整体真假鉴别网络完成图像修复,不仅改善了其他基于监督的图像修复算法的缺陷,还提高了图像修复的准确率。为了提取破损图像中更多的剩余信息,生成网络采用U-Net结构,完成图像修复的主要任务。鉴别网络采用整体匹配鉴别网络和整体真假鉴别网络双鉴别器模型,从不同方向加速网络收敛,专门用于网络训练,被视为辅助网络。考虑到图像修复的最终目的和生成式对抗网络的特殊性,损失函数定义为对抗损失和L1loss的加权。训练过程中为了避免权重更新过大,网络不易收敛到局部最优解,真假对抗损失采用带平滑项的交叉熵损失,使得最终修复结果更加理想。为了验证本文图像修复算法的合理性和有效性,采用峰值信噪比测度(PSNR)和结构相似度(SSIM)两种图像评价方法,对比不同图像修复算法的PSNR和SSIM。最终的实验结果显示,在受损面积相同的情况下,本文图像修复算法的PSNR值和SSIM值均高于其他三种算法。实验效果图和最终的实验对比都验证了本文图像修复算法的合理性和有效性。