图像修复问题就是还原图像中缺失的部分。基于图像中已有信息，去还原图像中的缺失部分。web

从直观上看，这个问题可否解决是看状况的，还原的关键在于剩余信息的使用，剩余信息中若是存在有缺失部分信息的patch，那么剩下的问题就是从剩余信息中判断缺失部分与哪一部分类似。而这，就是如今比较流行的PatchMatch的基本思想。算法

CNN出现以来，有若干比较重要的进展：网络

• 被证实有能力在CNN的高层捕捉到图像的抽象信息。
• Perceptual Loss的出现证实了一个训练好的CNN网络的feature map能够很好的做为图像生成中的损失函数的辅助工具。
• GAN能够利用监督学习来强化生成网络的效果。其效果的缘由虽然还不具可解释性，可是能够理解为能够以一种不直接的方式使生成网络学习到规律。

基于上述三个进展，参考文献[1]提出了一种基于CNN的图像复原方法。svg

CNN网络结构

该算法须要使用两个网络，一个是内容生成网络，另外一个是纹理生成网络。内容生成网络直接用于生成图像，推断缺失部分可能的内容。纹理生成网络用于加强内容网络的产出的纹理，具体则为将生成的补全图像和原始完好失图像输入进纹理生成网络，在某一层feature_map上计算损失，记为Loss NN。函数

内容生成网络须要使用本身的数据进行训练，而纹理生成网络则使用已经训练好的VGG Net。这样，生成图像能够分为以下几个步骤：工具

定义缺失了某个部分的图像为x0性能

• x0输入进内容生成网络获得生成图片x
• x做为最后生成图像的初始值
• 保持纹理生成网络的参数不变，使用Loss NN对x进行梯度降低，获得最后的结果。

关于内容生成网络的训练和Loss NN的定义，下面会一一解释学习

内容生成网络

生成网络结构如上，其损失函数使用了L2损失和对抗损失的组合。所谓的对抗损失是来源于对抗神经网络..net

在该生成网络中，为了是训练稳定，作了两个改变：code

• 将全部的ReLU/leaky-ReLU都替换为ELU层
• 使用fully-connected layer替代chnnel-wise的全链接网络。

纹理生成网络

纹理生成网络的Loss NN以下：

它分为三个部分，即Pixel-wise的欧式距离，基于已训练好纹理网络的feature layer的perceptual loss，和用于平滑的TV Loss。

α和β都是5e^-6，

Pixel-wise的欧氏距离以下：

TV Loss以下：

Perceptual Loss的计算比较复杂，这里利用了PatchMatch的信息，即为缺失部分找到最近似的Patch，为了达到这一点，将缺失部分分为不少个固定大小的patch做为query，也将已有的部分分为一样固定大小的patch，生成dataset PATCHES，在匹配query和PATCHES中最近patch的时候，须要在纹理生成网络中的某个layer的激活值上计算距离而不是计算像素距离。

可是，寻找最近邻Patch这个操做彷佛是不可计算导数的，如何破解这一点呢？同MRF+CNN相似，在这里，先将PATCHES中的各个patch的的feature_map抽取出来，将其组合成为一个新的卷积层，而后获得query的feature map后输入到这个卷积层中，最类似的patch将得到最大的激活值，因此将其再输入到一个max-pooling层中，获得这个最大值。这样，就能够反向传播了。

高清图像上的应用

本算法直接应用到高清图像上时效果并很差，因此，为了更好的初始化，使用了Stack迭代算法。即先将高清图像down-scale到若干级别[1,2,3,…,S]，其中S级别为原图自己，而后在级别1上使用图像均值初始化缺失部分，获得修复后的结果，再用这个结果，初始化下一级别的输入。以此类推。

效果

上图从上往下一次为，有缺失的原图，PatchMatch算法，Context Decoder算法（GAN+L2)和本算法。

内容生成网络的做用

起到了内容限制的做用，上图比较了有内容生成网络和没有内容生成网络的区别，有的能够在内容上更加符合原图。

应用

图像的语义编辑，从左到右依次为原图，扣掉某部分的原图，PatchMatch结果，和本算法结果。

可知，该方法虽然不能够复原真实的图像，但却能够补全成一张完整的图像。这样，当拍照中有不想干的物体或人进入到摄像头中时，依然能够将照片修复成一张完整的照片。

总结

CNN的大发展，图像愈来愈可以变得语义化了。有了以上的图像复原的基础，尽能够进行发挥本身的想象，譬如：在图像上加一个东西，可是光照和颜色等缺明显不搭，能够用纹理网络进行修复。

该方法的缺点也是很明显：

• 性能和内存问题
• 只用了图片内的patch，而没有用到整个数据集中的数据。

参考文献

[1]. Yang C, Lu X, Lin Z, et al. High-Resolution Image Inpainting using Multi-Scale Neural Patch Synthesis[J]. arXiv preprint arXiv:1611.09969, 2016.