Étant donné que les algorithmes de restauration existants tendent à générer des artefacts et des incohérences sémantiques avec l’image originale lors du traitement de grandes zones manquantes, cet article propose une méthode de restauration d’image de second ordre basée sur la convolution à portes et le transfert d’attention. Cette méthode renforce l’influence de la sémantique interne de l’image à réparer sur le réseau de réparation afin d’assurer la cohérence sémantique globale du résultat. Tout d’abord, une convolution multicouche est utilisée pour une première restauration grossière de l’image endommagée ; ensuite, le résultat grossier est entré dans un réseau amélioré de raffinement qui utilise la convolution à portes et le réseau de transfert d’attention pour traiter les détails texturaux internes de l’image. Le module SimAM est introduit dans la phase d’encodage/décodage en tant que mécanisme d’attention pour renforcer la capacité de filtrage des informations importantes de l’image à réparer ; enfin, un discriminateur de Markov avec normalisation spectrale est utilisé pour distinguer le vrai du faux tout en fournissant une perte d’adversaire. La perte perceptuelle et la perte de similarité structurelle multi-échelle sont utilisées comme pertes de reconstruction, combinées avec la perte d’adversaire comme fonction de perte. Les expériences comparatives avec d’autres méthodes de restauration montrent que cette méthode améliore la similarité structurelle de 1,47 % et le rapport signal sur bruit de crête de 5,48 % par rapport aux meilleurs résultats. Les résultats de restauration de cette méthode sont plus réalistes et naturels, offrant des effets de restauration idéaux pour différentes tailles de défauts.

Traitement d'image;Restauration d'image;Convolution à portes;Transfert d’attention;Perte adversaire