图像修复作为数字图像处理领域重要的组成部分有着悠久的历史,从早期文物修复到当前智能安防、文物壁画修复、遥感卫星、医学图像增强等领域,图像修复都有着广泛的应用。伴随着数字图像修复技术的研究与发展,图像修复方法大致分为三种:传统变分偏微分方程方法、利用纹理块的方法、深度学习的方法。传统方法在某些领域能产生不错的修复结果,但是也存在修复结果比较模糊、只能针对缺失区域较小的图像,不能对任意大小缺失区域进行修复的问题。当前深度学习相关技术在图像修复领域得到广泛利用,针对不用缺失类型、不同缺失大小的破损图像在修复细节和修复质量上都有不错提升,例如经典的编码解码图像修复模型。本文在两阶段编码解码网络基础上,提出带有多尺度结构嵌入和注意力机制的改进两阶段图像修复模型,而后针对改进的两阶段图像修复模型参数较多、层数较深,训练阶段生成对抗网络不稳定的问题进行改进。首先本文在两阶段编码解码的修复模型基础上,提出改进的两阶段图像修复模型。生成器由粗修复到细修复的两阶段修复网络构成,粗修复阶段为了增大卷积过程中的感受视野使用扩张卷积;在反卷积重建过程中为了获取更多结构信息生成更细致的纹理边界嵌入多尺度结构信息。细修复阶段使用上下并行的网络结构优化粗修复结果。一方面使用上下文注意力机制关注修复周边,更好的拟合纹理色彩等信息;另一方面使用扩张卷积增大感受野借用更多周边信息,提高破损修复修复质量。在训练的过程中为了使模型更加稳定易于控制使用WGAN-GP鉴别器,鉴别器由局部WGAN-GP鉴别器和全局鉴别器WGAN-GP组成。局部鉴别器用于判断修复结果是否与周边一致,提高修复边界质量。全局鉴别器用于判断修复图像与原图是否一致,提高修复图像在整体色彩结构上一致性和流畅性。为了评价模型的优劣,使用主观评测与客观评价相结合的方法对提出的改进模型修复效果进行验证。主观评测通过与GL、CA、EG三种模型修复的图像在视觉直观进行比较,验证模型修复效果的优越性。客观评价在相同数据集上对不同修复模型GL、CA、EG和本文方法,在PSNR、SSIM和平均L1损失三个指标上进行比较验证。其次,改进的两阶段图像修复模型对破损的图像虽然能够产生不错的修复效果,但是由于网络的稀疏性,模型结构相对较深,导致结构信息弱化甚至被遗忘,在融合结构和内容信息时出现扭曲模糊问题,因此产生较差的修复效果。针对两阶段图像修复模型存在的问题进行改进,提出基于结构嵌入的图像修复模型。生成阶段使用多任务框架在图像反卷积的过程中利用提取的结构信息进行重建。同时使用多尺度注意力机制,利用不同尺度的图像通道使用神经网络充分利用提取信息帮助生成纹理更清晰、结构更合适的修复图像。鉴别阶段为了提高训练稳定性,加快收敛,使用Patch-GAN鉴别器和预先训练固定的VGG-16网络进行结构生成学习和图像生成学习。为了获得高层结构信息并保证修复图像风格的一致,在训练过程中引入感知损失和风格损失提高修复图像质量。通过消融对比,分析改进模型中不同模块在修复过程中所起的作用,同时与其它模型在主观评价和客观的评价方法下验证改进模型的优劣。