图像修复是计算机视觉领域中的一项研究热点和难点。传统的图像修复方法大多是基于图像结构纹理一致性,在面对大面积语义缺失的破损人脸图像时往往无法取得令人满意的修复结果。随着深度学习的快速发展,基于深度生成模型的图像修复方法可以直接生成缺失的部分图像,极大的改善了图像修复的效果,然而深度生成模型仍然存在很大的提升空间,网络结构单一、训练过程不稳定、参数选择困难对基于深度生成模型的图像修复算法具有很大的挑战性。本文介绍了基于生成式对抗网络的图像修复算法,对基于DCGAN的人脸图像修复方法进行了改进,提出了一种基于LSGAN改进的人脸图像修复算法。该算法使用LSGAN模型作为图像修复中的生成网络,解决了传统生成式对抗网络生成图像质量不高和训练过程不稳定这两个缺陷。同时,对网络结构和训练过程进行一定的改进,提高了网络生成图像的质量。然后利用语义损失和感知损失找到用来填充破损图像的最佳生成图像,利用生成图像相应位置的像素填充破损图像。基于公开的人脸图像数据集,通过主观评价指标和客观评价指标,可以验证改进后的算法在不同类型的破损图像上均具有更强的修复能力。本文在基于深度学习的生成式模型的基础上,提出了一种结合变分自编码器和生成式对抗网络改进的人脸图像修复算法,将生成式对抗网络中的判别器融入变分自编码器的网络结构中,使用局部判别器和全局判别器两个判别器共同进行训练,利用判别损失强化生成器生成图像的效果。同时对变分自编码器进行了一定的改进,引入特征损失作为编码器的损失函数,提高生成网络的训练效率。利用该算法修复破损图像时,直接将待修复图像输入网络中,经过编码和解码生成与原图非常近似的生成图像,将生成图像相应位置的像素对破损图像进行填充,最后利用泊松融合对修复的结果进行微调完成修复。基于公开的人脸图像数据集,该算法实现了大面积破损的面部图像的修复任务,并且通过主观评价和客观评价,证明了该方法对不同场景中破损图像均具有很强的修复能力。