生成对抗模型驱动的遥感图像修复与人脸遮挡复原研究

本篇硕士毕业论文深入探讨了基于生成对抗模型（GAN）的图像修复算法，特别是在计算机技术进步和互联网普及背景下，机器学习技术在解决图像处理问题中的重要作用。论文关注两个关键领域：一是卫星遥感海洋表面温度图像的云遮挡去除，二是自然场景中人脸遮挡区域的复原。 在遥感图像云遮挡去除方面，作者指出传统方法往往依赖单一输入图像，缺乏对图像语义信息的利用，对于大面积的遮挡修复效果不佳。为此，论文提出了一个双阶段的生成对抗网络（GAN）方法。首先，通过生成对抗网络生成完整的图像，然后在第二阶段中，通过迭代优化找到最佳生成向量，并结合云遮挡二值掩模对受损像素进行精细修复，从而弥补了传统方法的不足。 针对自然场景中的人脸遮挡复原，文章介绍了另一种基于生成对抗模型的策略，即对抗编解码器。这种算法利用编解码网络结构与生成对抗网络的判别网络相结合，对生成的遮挡区域进行真实性判断，显著提高了图像修复的质量。这两种方法的成功应用验证了在机器学习领域中，特别是使用生成对抗模型进行图像修复的高效性和有效性。 这篇论文不仅展示了如何利用生成对抗模型解决实际问题，如遥感图像处理中的挑战，还展示了其在复杂环境下的通用性，如人脸图像修复。它对于进一步推动图像修复技术的发展，特别是在高分辨率遥感和实时场景下的人脸识别等领域具有重要的理论和实践价值。同时，论文也强调了数据、算力和算法的协同发展对于机器学习研究的重要性。