全文总字数：3314字
文献综述
一﹑研究背景及意义图像修复技术就是基于图像中已有的信息去还原图像中缺失部分的技术，是计算机视觉领域的一项重要研究内容。
随着深度学习技术的发展，其在图像方面的应用优势日益突出，在近几年逐渐成为国内外的一个研究热点。
现如今图像修复技术已经被广泛应用于各个领域，并逐渐应用到人们的日常生活。
随着深度学习技术的发展和完善，出现了许多基于深度学习的图像修复算法，包括基于卷积神经网络、生成对抗网络、循环神经网络的图像修复方法。
较早的涉及CNN的图像修复方法是CVPR在2016年发表的Context-Encoders，作者训练了一个卷积神经网络使其能够从周围的环境来预测场景中的缺失区域。
该模型的整体架构是一个简单的编码-解码器：编码器接受一张部分区域缺失的破损图像作为输入，然后输出一些紧凑的潜在特征用于表示该图像；解码器接收这些表示特征，然后输出缺失的图片区域。
Context-Encoders通过恢复图片中的缺失部分来进行训练，训练过程中的损失函数由Reconstruction Loss（重构损失）和Adversarial Loss（对抗损失）组成。
自CNN出现以来，产生了以下一些重要进展：已被证明我们可以在CNN的高层捕捉图像的抽象信息；感知loss证明一个训练好的CNN网络的feature map可以很好地作为图像生成中的损失函数的辅助工具；生成对抗网络可以利用监督学习来强化生成网络的效果，即可以以一种不直接的方式来让生成网络学习到规律。
基于以上进展，CVPR在2017年发表的High Resolution Inpainting也提出了一种基于CNN的图像复原方法。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
