深度学习方法在图像补全方面具有语意理解,全局一致,以及产生图像新内容等优势,可以有效地改善面部图像的质量问题,如删除面部遮挡,变换面部表情和发型等。利用深度学习处理图像补全问题的典型算法包括:基于卷积神经网络的语境编码(Context Encoders,简称CE)算法和基于对抗神经网络的全局和局部一致(Globally and Locally Consistent,简称GL)算法。目前,采用深度学习解决图像补全的方法已经成为图像补全算法的研究热点。本文对基于生成对抗网络(Generative Adversarial Networks,简称GAN)的图像补全算法进行深入研究,具体如下:(1)针对传统的补全算法对缺损图像进行补全时,存在只能填补细而窄的裂痕或者纹理结构丰富图像的问题,对CE算法和GL算法进行融合,通过使用测量函数,提出了基于有损测量的GAN图像补全算法。该算法使用扩张卷积层的全卷积网络和测量模型相融合的方法,以无监督学习的方式训练网络。在数据集CelebA上进行测试,该算法能在保持人脸整体特征不变的情况下,有效提升了面部细节的补全能力。(2)针对有损测量的GAN图像补全算法中缺损图像补全结果中出现人脸眼部模糊问题,基于眼部位置的专项训练和多种损失函数相结合,采用无监督学习训练生成网络,提出了基于部分卷积的GAN图像补全算法。该算法在数据集CelebA-HQ上进行测试,可以处理不同形状和尺寸的掩模人脸图像,获得较为准确的人脸特征。对缺损严重的人脸图像,补全后出现的失真问题,通过增添训练数据集的引导信息,利用监督学习的方式继续训练模型,搭建了人脸图像编辑系统。该系统可以将人为引导信息作为输入条件,不仅能够生成细节逼真的高质量合成面部图像,而且可以实现面部特征风格的变换。