图像修复是计算机视觉领域的一个重要任务. 它在数字艺术品修复、公安刑侦面部修复等种种实际场景中被广泛应用。图像修复的核心挑战在于为缺失区域合成视觉逼真和语义合理的像素, 要求合成的像素与原像素具有一致性。传统的图像修复技术有基于结构和纹理两种方法。基于结构的图像修复算法具有代表性的是 Bertalmio 等提出的BSCB模型和 Shen 等提出的基于曲率扩散的修复模型 CDD. 基于纹理的修复算法中具有代表性的有 Criminisi 等提出的基于 patch 的纹理合成算法.这两种传统的修复算法可以修复小块区域的破损, 但是在破损区域越来越大时, 修复效果则直线下降, 并且修复结果存在图像模糊、结构扭曲、纹理不清晰和视觉不连贯等问题.。

课题是深度学习图像修复的评价指标，包括L1 error，PSNR，SSIM，FID，使用方法在压缩包里已经注明了，编程语言是python

TV模型在修复图像时对整个待修复图像进行迭代，文章提出了针对破损区域进行修复的局部修复模型，大大缩短了修复时间；并在有关改进方法的基础上，引入改进的相关度，使修复效果更好。实验结果表明，在迭代次数相同的条件下，该修复模型比TV模型和有关改进的TV模型的图像修复效果更好，所用时间更短。

用TV模型对彩色破损图像的修复，根据受损图像周围的已知有效信息（灰度及纹理）用图像修复的算法对破损区自动进行修复。从数学的角度来看，图像修复就是根据空白区域周围的信息将图象填入空白区域中，通常需要先确定修补的区域，然后根据修补区域周围的信息用图像修补算法自动恢复区域的信息。

图像修复算法中的TV模型的MATLAB代码，有灰度图像的，也有彩色图像的，有灰度图像的Lena图做测试。可运行，无错误。

针对Criminisi算法难以获得理想的修复效果，且存在修复时间过长等缺陷，提出一种改进Criminisi算法的图像修复算法。改进优先权计算方式找到最优待修复块，完善最优匹配块搜索策略，找到最优匹配块，采用新的置信值更新方式以获得更为理想修复效果，通过仿真实验测试算法性能，结果表明，相较于Criminisi算法，改进Criminisi算法不仅获得了较理想的图像修复效果，而且大幅度减少了修复时间，提高了图像修复的效果。

Criminisi算法进行灰度图像修复，Matlab编程，内含完整代码

为了有效地修复大面积破损的面部图像，使用了解码器-编码器结构的卷积神经网络作为生成模型，并在其部分层之间增加skip-connection，以增强生成模型的结构信息预测能力，同时引入对抗训练策略优化生成模型。该模型首先训练一个判别模型识别真实图像，再利用其判别待修复图像输入生成模型后所得到的输出是否为真实，以此为生成模型提供优化梯度。结合了卷积神经网络的结构信息预测能力和GANs对抗策略的优化能力，提高了图像补全的效果。在CelebA人脸数据集上进行的实验结果表明，该方法在补全大面积破损的图像任务上性能明显优于其他方法。

包含实现TV修复模型的核心代码，简单易懂。希望对大家有用！

在研究Criminisi修复算法的基础上，提出了改进的基于样本块的图像修复方法。根据图像的待修复面积及其纹理特征，自适应选取样本块大小，提高修复的速度；采用新的数据项，改进优先权公式，避免阶梯效应的产生；重新定义置信度的更新公式，引入曲率距离，减少因置信度更新而累计的误差，提高修复顺序的准确性。实验表明，改进的方法能够有效提高修复的效果，减少修复所需时间。