全文总字数：1535字
文献综述
1. 前言GAN(生成对抗网络)是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。
图像修复是指在一张图片中存在局部区域出现破损或空 洞,需要利用已有的边缘信息来将这些破损区域进行修复或 补全的工作.作为目前图像处理的一种重要方法,图像修复 具有重要的现实意义,尤其是在文物修复方面具有重大的历 史意义,在资料修复、虚拟现实、图像缩放等方面也具有一定 的应用价值.在数字图像修复上，不但目前的技术不是特别完善，而且在处理图像的方法上也有待改进。
以前在修复图像的算法.上都是采用都是将图像的结构和纹理看成-一个整体来进行修复，这样的算法往往会造成混乱，相互产生影响，而在针对图像破损区域修复时以前都是根据破损区或周围的已知点对整个受损区域同时进行修补，这样会直接造成修补区间不同信息之间的相互干扰.利用GAN进行图像修复，具有重要的现实意义。
2.当前研究现状经典的图像修复方法主要采用局部或非局部的信息来修复缺失部分,而且大多数有的方法主要针一对张图片进行修复.全变分方法(TotalVariation)考虑了图像的平滑特性,在修复小的缺失区域和消除噪音时很有效.但是此方法仅适用于较小区域的缺失情况,当缺失区域较大时,用此方法将非破损区域的像素扩散到破损区域时就会产生模糊,图像的修复效果较差.块匹配方法(PatchMatch)是另外一种利用已有信息的图像修复方法,它从图像中可获得的部分搜索与缺失块相似的区域来填充缺失区域,获得了较好的修复效果.但是,此方法太依赖于图像的已知部分,如果已知部分不存在这样的相似块,那么将不能较好地修复缺失区域.为了能够修复更大缺失区域和任意形状的缺失部分图像,更多的基于学习的方法被提出,这也得益于神经网络和深度学习的不断发展.上下文编码器(ContextEncoders)就是一种采用深度网络来进行图像修复的方法,它利用编码解码器作为图像修复的主网络,将破损图像编码后再经过解码器生成缺失区域部分,同时利用对抗损失来使得生成的图像尽可能真实,能够较好地修复缺失区域.但是,该方法存在缺失区域与非缺失区域不连续的问题,有明显的修补痕迹.生成对抗(GAN)是一种新的图像修复方法,以上下文为条件的对抗网络(CCＧGAN)就是其中一种方法,该网络使用编码解码器作为生成器,使用VGG网络作为判别器,来实现图像修复,同时加入上下文损失项来使得修复后的图像的修复痕迹不那么明显.Yeh提出的深度生成模型也利用了对抗网络来实现图像修复,与之前提到的采用对抗网络进行修复的模型不同,该网络使用无破损的图像作为数据集来训练一个深度卷积生成对抗网络(DCGAN)模型,训练完后利用训练好的模型来寻找与缺失图像最接近的编码以实现图像修复.数字图像处理作为一门学科大约形成于20世界60年代初期。
早期的图像处理是善图像的的质量，它以人为对象，以改善人的视觉效果为目的。
图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、图像复原、图像编码、图像压缩等。
图像复原是一种改善图像质量的处理技术，是图像处理研究领域中的热点问题，在科学和工程领域被广泛应用。
在获取图像的过程中，由于光学系统的像差、光学成像的衍射、成像系统的的非线性畸变、记录介质的非线性、成像过程的相对运动、环境随机噪声等影响，会使观测图像和真实图像之间不可避免的存在偏差和失真。
这种图像质量下降的情况在实际应用中都会遇到，如宇航卫星、航空测绘、遥感、天文学中所得的图片。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
