图像修复技术一直是图像处理领域的一项研究热点,随着该项技术的快速发展,其已逐渐应用于文物修复、医学成像、卫星遥感等多个领域,因此开展图像修复算法的研究具有较高的研究意义和应用价值。图像修复的目的是利用计算机技术自主学习图像的特征信息,以尽可能地还原出待修复图像缺失区域的内容。基于深度学习的图像修复算法相较于传统的图像修复算法通常具有更好的修复效果,但目前仍然存在诸多问题,例如对大区域或不规则区域缺失的图像修复效果不佳、修复纹理不够清晰以及无法利用辅助信息引导修复结果等。生成对抗网络是一种新型的深度学习网络,它能够通过生成器和鉴别器之间的对抗学习来达到生成以假乱真样本的目的,这种思想正适用于解决图像修复的问题。因此,本文基于生成对抗网络研究实现了两种图像修复算法,具体研究内容如下。本文首先阐述了图像修复的相关定义及评估标准,然后介绍了卷积神经网络的工作原理,并详细分析了空洞卷积和反卷积存在的不足。最后研究分析了基于生成对抗网络的图像修复原理,为本文后续图像修复算法的研究改进提供了理论依据。针对大区域或不规则区域缺失的图像修复问题,为了改善修复结果存在的结构失真、纹理模糊问题,本文研究实现了一种基于多尺度纹理特征分支的图像修复算法。首先分析了基于对称填充的偶数卷积核的优势,并基于该卷积核实现了整体网络模型的构建。然后在生成器阶段,结合部分卷积网络和偶数卷积核设计了多尺度纹理特征分支以实现单阶段网络模型对图像结构特征和纹理特征的同步修复,同时采用了插值上采样来避免反卷积上采样造成的棋盘效应;在鉴别器阶段,通过使用双鉴别器结构来保证修复结果的整体结构一致性和局部细节合理性,同时引入谱归一化思想来稳定网络训练。最后通过实验验证了该算法能够得到更高质量的修复结果。针对一些能够添加额外辅助信息的图像修复问题,为了能够利用辅助信息引导图像修复过程,本文研究实现了一种基于门控和上下文注意力机制的图像修复算法。依据门控卷积自学习的掩膜更新方式,该算法使用门控卷积网络实现了生成器模型的整体构建以允许处理用户输入的额外辅助信息;而后引入感受野模块和损失函数对上下文注意力机制进行改进,并将改进后的注意力模块嵌入到编码器阶段以增强已知区域纹理特征的利用率。最后通过实验验证了,在未添加引导信息的情况下该算法能够保证修复结果的优越性和有效性,而在添加引导信息的情况下该算法在保证修复质量的前提下还能够得到还原度更高的修复结果。