图像在人类社会的发展中至关重要,是重要的记录器。图像修复技术旨在利用图像内已知区域的信息来补全图像内的缺失区域。图像修复是一项基础且复杂的计算机视觉任务,能广泛应用于摄影、文物修复、老照片修复、工业等领域,是近年来人们关注的热点课题。图像修复常用的方法有基于像素扩散、样例传播和深度学习等。深度学习的出现,加快了图像修复技术的发展。目前基于深度学习方法的图像修复技术,虽能修复大区域的图像缺失,但是在生成图像结构信息和图像纹理信息上还是存在不足,修复过的图像易出现图像结构不合理,结构缺失以及存在明显的伪影现象,特别是针对图像中任意形状的缺失,修复效果有待提升。本文基于深度学习理论和已有修复模型,从网络结构优化着手,旨在提升图像修复的效果。与现有算法Structure Flow相比,本文算法在三个不同数据集Celeb AHQ、Paris-street View以及Places2上的图像质量评价指标PSNR/SSIM上分别提升了1.82d/2.53%、1.41d/2.11%和1.67d/2.4%。本文的主要工作以及创新点如下:⑴基准网络中的内容生成器依赖单分支卷积神经网络提取特征内容信息,而单分支网络提取特征不充分,造成纹理内容信息修复效果受限,遂提出一种多分支的内容生成器网络。本文使用三个独立的不同卷积核分支,对图像进行特征提取,使内容生成器能学习图像中不同级别的特征,在三个分支中使用的卷积核略有不同,各分支感受野分别为7*7,5*5和3*3。同时使用混合卷积块和膨胀卷积替代大卷积核,避免急剧地增加网络的参数量。⑵鉴于普通卷积在卷积过程中,不能有效地区分破损图像内的有效信息和无效信息,因此本文使用门控卷积方式替换普通卷积方式。门控卷积能仅考虑残缺图像内的有效信息,起到很好地提取特征信息的作用。并在结构生成器中引入特征匹配损失函数,约束图像在结构上保持一致性。⑶本文综合门控卷积和多分支内容生成器,组成一个基于网络结构优化的图像修复模型,该模型生成效果符合人们主观视觉感受,也在客观评价标准上有所提升。