论文部分内容阅读
摘 要: 针对目前神经网络图像修复方法的修复结果在视觉连通性上存在结构扭曲,训练过程中易陷入过度学习等问题,提出了一种基于双鉴别网络的生成对抗网络(Generative Adversarial Networks)GAN图像修复方法。所提方法修复模型使用了修复网络、全局鉴别网络和局部鉴别网络,修复网络将待修复图像破损区域用相似信息填充后作为输入,极大提高了生成图像的速度与质量,全局鉴别网络综合采用图像全局的边缘结构信息和特征信息以保证修复网络输出的修复图像结果符合视觉连通性,而局部鉴别网络在鉴别输出图像的同时,利用在多个图像中寻找到的辅助特征块来提高鉴别的泛化能力,很好遏止了修复网络在特征过于集中或单一时容易过度学习的问题。实验结果表明,所提方法修复在不同图像种类上有非常好的适用性,在人脸图像类上的修复效果好于别的人脸修复方法,在峰值信噪比PSNR和结构相似性SSIM标准下,所提方法分别领先别的修复方法1~2dB和0.03~0.05。