1. 研究目的与意义
图像修复计算机图形学中一个经典的课题。其目标是利用相关信息填补图像的缺失部分使它在视觉上显得完整。图像修复技术照片处理和文物修复方面有广泛的应用。传统的图像修复算法基于图片本身的信息，其大致思路是利用破损部位周围的小块去匹配和填补缺失部位。这种方法在破损部位和周围相似度较低时效果不好，因此人们提出了从其他相似图片中提取信息填补缺失部位的方法。这需要我们利用搜索引擎获取大量相似的图片，其可靠性和稳定性不足且效率较低。通过引入机器学习，我们可以实现一种新的修复算法。机器学习中的卷积神经网络可以提取图像的高层次特征，我们可以提取大量相关图像的特征并利用这些特征去指导破损图像的修复。这种算法在扩充了信息源的同时没有对运行效率产生太多影响，因此实现了效率和性能的平衡。
2. 研究内容和预期目标
研究内容：1. 经典图像修复算法的实现2. 对抗式生成网络（GAN）的实现3. 卷积神经网络（CNN）的实现4. 相关图像处理算法的选取
关键问题：1. 神经网络的结构的搭建与参数的选取2. 定位破损部位的算法3. 训练和执行速度的优化
写作提纲：1. 图像修复的内容和意义2. 经典算法的实现与分析3. 深度学习的概念与神经网络的实现4. 图像修复系统的实现5. 参数和结构的分析6. 系统的效率和性能的评估
3. 国内外研究现状
目前国内外对图像修复的研究集中在基于深度学习的算法上。
相对于基于像素的传统算法来说，基于高维特征的深度学习算法具有较大优势。
深度学习一方面仍有较大发展空间，另一方面也和其他传统算法相结合以实现更好的效果，因此相对较为热门。
4. 计划与进度安排
通过阅读论文和参考样例搭建CNN和GAN收集图像，通过算法生成训练样本训练用于图像修复的模型整理数据并优化模型
5. 参考文献
[1] 赵立怡. 基于生成式对抗网络的图像修复算法研究[D].西安理工大学,2018.[2] 蔡晓龙. 基于DCGAN算法的图像生成技术研究[D].青岛理工大学,2018.[3] Hays J, Efros A A. Scene completion using millions of photographs[C]//ACM Transactions on Graphics (TOG). ACM, 2007, 26(3): 4.[4] Arjovsky M, Chintala S, Bottou L. Wasserstein generative adversarial networks[C]//International Conference on Machine Learning. 2017: 214-223.[5] Pathak D, Krahenbuhl P, Donahue J, et al. Context encoders: Feature learning by inpainting[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016: 2536-2544.[6] Yu J, Lin Z, Yang J, et al. Generative image inpainting with contextual attention[J]. arXiv preprint, 2018.[7] Liu G, Reda F A, Shih K J, et al. Image inpainting for irregular holes using partial convolutions[J]. arXiv preprint arXiv:1804.07723, 2018.
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
