基于SN-GAN的大面積缺損圖像修復算法研究*

賀佳馨，呂曉琪,2，張繼凱，李菁

(1.內蒙古科技大學 信息工程學院，內蒙古 包頭 014010；2.內蒙古工業大學 信息工程學院，內蒙古 呼和浩特 010051)

1 相關工作

圖像修復算法根據技術手段可分為基于偏微分的圖像修復方法[2,3]、基于紋理合成技術的圖像修復方法[4,5]、基于結構的圖像修復方法[6,7]和基于深度學習的圖像修復方法4類.基于偏微分的修復算法最典型的是BSCB模型[1].BSCB模型主要是將缺損圖像附近的像素延伸到破損區域來進行填充.因為等照度線容易交叉，所以BSCB模型需要將擴散和修復操作輪流進行.BSCB算法的特點是基于像素單位的修復，其修復效率較低且修復后的效果不理想，對于細節和圖片整體的一致性修復較差.基于紋理合成的圖像修復方法為代表的是Criminisi算法[4].Criminisi算法是基于塊的修補并且針對較大的缺損圖片，其以目標塊為單位，在修復期間尋找最具有充足像素的目標為缺損區域進行填充，對比之前算法，Criminisi算法的修復速度得到大幅提升.此后許多學者在Criminisi算法基礎上提出了改進算法[8-10].目前傳統圖像修復方法存在著訓練不穩定、復雜場景或修復區域過大時修復效果模糊以及運算時間過長等一系列問題，傳統修復算法無法像人的大腦理解圖像中的內容，所以修復效果差強人意.現如今深度學習圖像修復算法是通過神經網絡來獲取圖像中重要特征，并且隨著2014年Goodfellow等[11]提出了生成對抗網絡(Generative Adversarial Networks, GAN), GAN網絡一度成為圖像修復研究的1個新方向.Pathak等提出……