Da bestehende Reparaturalgorithmen bei der Verarbeitung größerer fehlender Bereiche dazu neigen, Artefakte zu erzeugen und semantisch nicht mit dem Originalbild übereinzustimmen, wird eine zweite Stufe der Bildreparatur basierend auf gating Convolution und Aufmerksamkeitsübertragung vorgeschlagen. Diese Methode verstärkt den Einfluss der internen Semantik des zu reparierenden Bildes auf das Reparaturnetzwerk, um die semantische Konsistenz des Reparaturergebnisses sicherzustellen. Zunächst wird eine mehrschichtige Faltung zur groben Reparatur des beschädigten Bildes verwendet; anschließend wird das grob reparierte Ergebnis in ein verbessertes Verfeinerungsnetz eingespeist, das gating Convolution und ein Aufmerksamkeitsübertragungsnetz zur Reparatur der internen Texturdetails des Bildes nutzt. In der Kodierungs- und Decodierungsphase wird das SimAM-Modul als Aufmerksamkeitsmechanismus eingeführt, um die Fähigkeit zur Filterung wichtiger Informationen im zu reparierenden Bild zu stärken; schließlich wird ein spektral normalisierter Markov-Discriminator eingesetzt, der Echtheit unterscheidet und eine adversarielle Verlustfunktion bereitstellt. Wahrnehmungsverluste und verlust der multiskaligen strukturellen Ähnlichkeit werden als Rekonstruktionsverluste genutzt und zusammen mit adversarialem Verlust als Verlustfunktion kombiniert. Vergleichende Experimente mit anderen Bildreparaturmethoden zeigen, dass diese Methode im Vergleich zum besten Ergebnis die strukturelle Ähnlichkeit um 1,47 % und die Spitzen-Signal-Rausch-Verhältnis um 5,48 % verbessert. Die Reparaturergebnisse dieser Methode sind realistischer und natürlicher und erzielen unter verschiedenen Fehlstellen ideale Reparatureffekte.

Bildverarbeitung;Bildreparatur;gating Convolution;Aufmerksamkeitsübertragung;adversarieller Verlust