近年来,随着科学技术的蓬勃发展,使图像的传递和存储更加方便,图像也逐渐成为人们日常生活中的重要交流媒介。但是,在传输和存储图像时,难免会产生部分图像缺失和分辨率降低等问题,因此数字图像修复技术应运而生。数字图像修复技术发展至今已有20余年,广泛应用于文学字画的修复、老照片的修复、娱乐影视和医学影像领域等方面。数字图像修复技术可以分为两类:传统的数字图像修复技术和基于深度学习的图像修复技术。传统的图像修复技术主要是根据数学公式或者热扩散的方式对图像的缺失区域进行修补,该技术只能修复结构简单、破损面积较小的图像。随着破损区域的扩大,使用传统的修复技术修复的图像会出现结构不清晰、纹理不连续和修复速度慢等问题,很难应用于人们的日常生活中。深度学习技术的出现加快了图像修复的研究步伐,研究者们开始尝试使用卷积神经网络中先编码——再解码的方式修复破损的图像。虽然使用卷积神经网络修复的图像其质量已经有了很大的改善,但还是存在修复图像不清晰和语义不完整等问题,因此本文使用生成对抗网络技术修复损坏的图像。本文的主要研究内容如下。1)在设计网络时,把生成对抗网络作为基本的网络架构,网络的修复过程分为两条并行的路径:重建路径和生成路径。重建路径只用于网络的训练阶段,使网络的训练速度更快,生成的图像更加清晰,语义更加完整。网络的生成路径不仅用于训练阶段,还用于测试阶段,在训练阶段与重建路径结合加速训练网络模型,在测试阶段通过修复破损图像来测试训练好的网络模型。2)在设计生成网络时加入了改进的残差网络。生成网络分为编码和解码两个部分:编码部分由不同的残差模块构成,每个残差模块将卷积层、激活函数以及归一化方法以不同的方式组合,提取不同的图像特征。解码部分将编码阶段提取的图像特征进行解码生成图像,解码器的残差网络使用反卷积操作和先改变图像大小再卷积的方式生成图像。此外,在解码部分加入了长短期注意力机制,以确保生成图像的外观一致性。3)在判别网络中使用Patch判别器。Patch鉴别器将输入图像分成不同的Patch块,让每个Patch块输出生成图像属于真实图像的概率值,最后鉴别器将每个Patch块的输出值进行平均处理并输出最终值。4)在设计损失函数时,除了使用KL损失和外观匹配损失外,还使用了 WGAN-GP损失来表示对抗损失,从而减少生成图像和真实图像之间的差异。为了验证本文算法的准确性,将主观评价方法和客观评价方法结合起来评价修复的图像。通过对比不同图像修复模型修复的图像和遮挡图像不同区域的修复结果,从主观和客观两个方面进行验证,都充分表明了本文算法的可靠性。