1. 研究目的与意义（文献综述）

目的：图像修复是重构图像的缺失或破坏的部分。这个基本问题多年来一直受到图像处理和计算机视觉社区的重视，并导致了该领域的重大进展。传统上，图像修复通过使用基于扩散的方法将局部结构传播到未知部分来解决，或者基于试验的方法一次构建或修补一个像素的缺失部分，同时保持与邻域的一致性。不幸的是，当缺失部分很大时，这些方法就失败了，因此需要提供视觉的附加部分来解决这些具有挑战性的修补问题。这些附加信息可以由自然图像的高阶模型提供，例如由深度神经网络计算的模型。深度神经网络最近导致了许多机器学习任务的开创性进展，如监督图像分类。在有监督的图像分类中，每幅图像都有一个特定的标签，通过一系列基本操作训练神经网络去逼近图像标签。当在巨大的训练数据集（数以百万计的标签和数以百万计的图像）中，深层网络具有卓越的分类性能，有时可能超过人类的准确性。

近期深度学习已经取得了较大的进展，即在自然图像中填充大量空洞，并且具有语义上可视化和内容完整的细节，影响了如对象删除的基本的图像处理任务。虽然这些基于学习的方法在捕获高级特征方面比先前的技术更为有效，但由于内存限制和训练困难，它们只能处理非常低分辨率的输入。即使对于稍大的图像，修补区域也会显得模糊，产生较为明显的边界。

所以该毕业设计的目的在于先掌握现有的基于卷积神经网络的图像修复技术方法，之后再在该方法的基础上加以改进，使之可以处理较大分辨率的输入图像。

2. 研究的基本内容与方案

基本内容：深度学习是当今ai最炙手可热的研究热点。

卷积神经网络(cnn)是计算机视觉中应用最广泛的深度学习网络。

利用深度学习网络进行图像修复，在目标移除、旧照片修复等有广泛的应用。

3. 研究计划与安排

3月完成卷积神经网络模型的学习及调试任务，达到可以使用现有的神经网络模型修复示例图片的目标。

4月完成基于现有的模型及算法，进一步根据图像修复的侧重点改善计算算法，提高图像修复结果准确度。

4. 参考文献（12篇以上）

[1] c. guillemot and o.le meur. “image inpainting: overview and recentadvances”. in: ieee signal processingmagazine 31.1 (2014), pp. 127–144.

[2] yeh r a, chen c, limt y, et al. semantic image inpainting with deep generative models[j]. 2016.

[3] fawzi a, samulowitzh, turaga d, et al. image inpainting through neural networkshallucinations[c]// image, video, and multidimensional signal processingworkshop. ieee, 2016:1-5.