全文总字数：4523字
1. 研究目的与意义（文献综述）
图像修复起源于文艺复兴时期人们对艺术品的修复，重建优美的艺术品传承国家文化工人们欣赏学习，并称这一过程“图像修复”。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。直到2000年，bertalmio等人才将该技术成功引入到计算机视觉领域，随着计算机人工智能和数字媒体技术的飞速发展，艺术品的修复已经由传统的纯手工转变为计算机自动检测破损区域并完成修复。
经过40多年的发展，图像修复已经渗透到各个领域，在科学研究、医疗卫生、工业生产和影视艺术等方面发挥着极其重要作用。尤其是在文物修复方面，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。但是由于受损区域领域信息和背景结构信息的复杂性和噪声干扰的不确定性，难以通过数学方式对其建模，进行修复时无规律可循，使得其成为计算机视觉领域的研究热点，图像修复具有重要的现实意义。
图像语义修复是一项非常具有挑战性的任务，现有的图像方法可分为深度学习方法和非深度学习方法。传统方法（非深度学习方法）可以分为如下四类：基于扩散的图像修复方法，基于纹理合成的图像方法，基于数据驱动的图像修复方法以及基于稀疏表示的图像修复算法。深度学习方法，按照网络结构类型分类，可以分为三类：基于卷积自编码的图像修复算法，基于gan的图像修复算法，基于rnn的图像修复算法。其中生成对抗网络（gan）是goodfellow等人再2014年从自博弈论中的“二人零和博弈（即二人的利益之和为零，一方的所得正是另一方的所失去）”中所受启发而提出的，是一种典型的非监督学习算法，无需人为参加也能很好地学习图像特征，拟合图像复杂的概率分布，因此该算法成为近来人工智能领域的研究热点。2019年，以色列理工学院与google research合著的《singan：learning a generative model from a single natural image》这篇论文，将gan带入了一个新领域--从单幅自然图像中学习非条件生成模型。随着神经网络的快速发展以及计算机硬件资源的日益成熟，基于神经学习的方法在图像修复领域发挥者越来越大的作用。
2. 研究的基本内容与方案
（1）研究并分析图像修复算法的传统方法和非传统方法的工作原理和基础结构，并以图像修复的认知规律为基础，进行比较分析，指出各种方法的优缺点。
（2）查中国期刊网的硕士和博士论文，弄清楚生成对抗网络gan的原理，数学模型，并弄清楚使用gan进行图像修复的一般步骤和框架。
近年来，生成对抗网络的出现引起了深度学习领域重大关注，生成式对抗网络是一种典型的非监督学习算法，无需认为参与也能很好地学习图像特征，拟合图像复杂的概率分布，成为了近年来人工智能领域的研究热点。通常，gan由生成网络和判别网络两部分组成。经过训练，判别模型判别输入样本的来源，同时，生成模型也要通过判别模型的判别进而训练出判别模型分辨不出的数据。两种模型不断迭代优化，就好比是一个极小极大博弈问题，目标是达到纳什均衡。
3. 研究计划与安排
1. 2020年3月6日前，学院完成毕业生参与毕业设计（论文）资格认定工作。
2. 2020年3月6日至2020年3月15日，完成毕业设计选题调整和课程补退选任务
3.2020年3月15日至2020年3月25日，上传开题报告和外文翻译，指导老完成评阅审核。
4. 参考文献（12篇以上）
[1] 蒋斌,刘虹雨,杨超,涂文轩,赵子龙.一种基于局部属性生成对抗网络的人脸修复算法[j].计算机研究与发展,2019,56(11):2485-2493.
[2] j.yu,z.lin , j.yang, x.shen, x.lu and t. huang, generative image inpainting with contextual attention. in proceedings of the ieee conference on computer vision and pattern recognition(cvpr), pages 5505-5514,2018.
[3] g.huang, z.liu, l.maaten and k.weinberger. densely connected convolutional networks. in proceedings of the ieee conference on computer vision and pattern recognition (cvpr), pages 4700-4708,2017
