基于卷积自编码生成式对抗网络的高分辨率破损图像修复

作者:侯向丹; 刘昊然; 刘洪普
更新时间:

目标受损图像的恢复是一项具有挑战性的任务。其目的是根据受损图像中的已知内容来填充受损区域。许多基于深度学习的受损图像恢复方法对大面积受损图像的恢复效果较差,对高分辨率受损图像恢复的研究较少。提出了一种基于卷积自动编码器生成对抗网络(CAE-GaN)的修复方法。方法通过训练生成器学习高斯噪声到低维特征矩阵的映射关系,然后将生成器生成的特征矩阵升级到高分辨率图像,搜索生成的图像与待修复图像的完整部分相似,并在受损图像上覆盖相应部分,实现高分辨率受损图像的修复。通过对514个受损数据集的映射,提高了514个受损数据集的学习难度,结果表明,514个受损数据集的学习难度有所降低。与CE(context-encoders)方法相比,该方法对大面积受损图像的修复效果得到了显著改善。峰值信噪比(PSNR)和结构相似性(structural similarity、SSIM)的最高值分别增加了31.6%和18.0%。与dcgan(deep-revolutional-general-adaptive-network)方法相比,该方法修复的图像内容更加一致,受损区域的修复结果更加清晰。PSNR和SSIM的价值最高,分别增长了24.4%和50.0%。结论该方法更适用于大面积损伤图像和高分辨率图像的修复。