图像修复是图像处理领域的研究热点之一,虽然图像修复已经存在了很多年,但是随着图像处理技术的不断发展与更新,图像修复也获得了更多的关注。图像修复的目的是通过对图像中的缺失区域进行填补,使得修复后的图像能够尽可能的接近原始图像。基于深度学习的图像修复方法因神经网络的自学习能力,在图像修复问题中得到了较好的效果。但是,目前的神经网络结构大多是基于人工设计的,一个好的神经网络结构往往需要专家经过大量的实验与长时间的调参才能得到,为了节省人工设计神经网络的时间,并且使神经网络结构更加多样且更适合特定问题,自动化深度学习变得尤为重要。神经架构搜索是自动化深度学习的主要实现方法之一,通过使用不同的搜索策略,从而得到更适合于当前问题的神经网络结构。为了使神经架构搜索技术更好的扩展到图像修复领域,本文提出了一种基于可微分神经架构搜索的图像修复算法。首先,根据Encoder-Decoder编码器的框架提出了一种新的搜索单元,称为Upsample Cell结构,该搜索单元的主要功能是实现上采样操作,其主要作用是将图像恢复到原图大小,与Reduction Cell的下采样操作成对出现。在生成网络结构的时候,为了节省架构搜索的时间,以及提高计算效率,采用了对称式增加Cell结构和渐进式增加网络深度的方式。也就是说,对称式的增加Reduction Cell和Upsample Cell,或者对称式的增加Normal Cell。网络深度随着搜索过程的进行,以渐进式的方式增加,将搜索过程分为多个阶段,每个阶段增加两个Cell结构。本文采用了可微分神经架构搜索中的DARTS(Differentiable ARchi Tecture Search)算法作为实验基线,将DARTS算法应用于图像修复问题中。然后在DARTS算法的基础上进行改进,提出了SPDARTS(Symmetric Progressive Differentiable ARchi Tecture Search)算法,将本文提出的改进后的可微分神经架构搜索算法应用到图像修复问题中。最后,分别使用DARTS算法和SPDARTS算法在CIFAR-10数据集和SVHN数据集上进行实验,并且和传统的方法进行对比。实验结果表明,本文提出的基于可微分神经架构搜索的图像修复算法不仅在修复效果上具有很大的提高,且搜索时间也具有一定的竞争性,在CIFAR-10数据集上的PSNR指标为32.8952d B,搜索时间为0.4 GPU Days。