文献类型：期刊文章

作　　者：强振平[1] 何丽波[2] 陈旭[1] 徐丹[2]

Qiang Zhenping;He Libo;Chen Xu;Xu Dan(College of Big Data and Intelligent Engineering,Southwest Forestry University,Kunming 650224,China;School of Information Science and Engineering,Yunnan University,Kunming 650091,China)

机构地区：[1]西南林业大学大数据与智能工程学院,昆明650224 [2]云南大学信息学院,昆明650091

出　　处：《中国图象图形学报》

基　　金：国家自然科学基金项目(11603016;61540062);西南林业大学科研启动基金项目(111827)~~

年　　份：2019

卷　　号：0

期　　号：3

起止页码：447-463

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：目的图像修复是计算机视觉领域研究的一项重要内容,其目的是根据图像中已知内容来自动地恢复丢失的内容,在图像编辑、影视特技制作、虚拟现实及数字文化遗产保护等领域都具有广泛的应用价值。而近年来,随着深度学习在学术界和工业界的广泛研究,其在图像语义提取、特征表示、图像生成等方面的应用优势日益突出,使得基于深度学习的图像修复方法的研究成为了国内外一个研究热点,得到了越来越多的关注。为了使更多研究者对基于深度学习的图像修复理论及其发展进行探索,本文对该领域研究现状进行综述。方法首先对基于深度学习图像修复方法提出的理论依据进行分析;然后对其中涉及的关键技术进行研究;总结了近年来基于深度学习的主要图像修复方法,并依据修复网络的结构对现有方法进行了分类,即分为基于卷积自编码网络结构的图像修复方法、基于生成式对抗网络结构的图像修复方法和基于循环神经网络结构的图像修复方法。结果在基于深度学习的图像修复方法中,深度学习网络的设计和训练过程中的损失函数的选择是其重要的内容,各类方法各有优缺点和其适用范围,如何提高修复结果语义的合理性、结构及细节的正确性,一直是研究者们努力的方向,基于此目的,本文通过实验分析总结了各类方法的主要特点、存在的问题、对训练样本的要求、主要应用领域及参考代码。结论基于深度学习图像修复领域的研究已经取得了一些显著进展,但目前深度学习在图像修复中的应用仍处于起步阶段,主要研究的内容也仅仅是利用待修复图像本身的图像内容信息,因此基于深度学习的图像修复仍是一个极具挑战的课题。如何设计具有普适性的修复网络,提高修复结果的准确性,还需要更加深入的研究。

关 键 词：图像修复 深度学习  卷积神经网络 生成式对抗网络  循环神经网络 深度卷积自编码器网络  

分 类 号：TP391.41] TP181[计算机类]