本文来自于csdn，文章介绍了一种基于CNN的图像复原方法，包括CNN网络结构，关于内容生成网络的训练和Loss NN的定义等相关内容。图像修复问题就是还原图像中缺失的部分。基于图像中已有信息，去还原图像中的缺失部分。从直观上看，这个问题能否解决是看情况的，还原的关键在于剩余信息的使用，剩余信息中如果存在有缺失部分信息的patch，那么剩下的问题就是从剩余信息中判断缺失部分与哪一部分相似。而这，就是现在比较流行的PatchMatch的基本思想。 CNN

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.。

利用TensorFlow中的深度学习进行图像修复