基于U-Net的致密砂岩储层岩石薄片图像分割方法研究

这是一篇关于致密砂岩薄片,图像分割,数据增广,U-Net,图像生成的论文, 主要内容为致密砂岩图像分割是地质学中的一项重要任务。这项任务能够帮助科研人员准确刻画储层孔隙结构以及流体运聚机理,大大降低勘探开发难度,对于非常规油气储集层的评估和勘探具有重要的应用价值。传统方法通过人工目视对致密砂岩图像进行分割,存在主观性强、效率低下等问题。因此,研究致密砂岩图像自动分割方法能够提高图像分割效率,同时节约人力成本,对于该领域的发展具有重要意义。近年来,深度学习算法在图像分割领域取得了显著成果。然而这类算法仍存在两个主要限制:首先,基于深度学习的图像分割模型需要大量的训练样本来学习尽可能多的可区分特征。然而,受限于数据采集难度较大、标注成本较高以及隐私保护等原因,导致致密砂岩图像样本稀少,难以满足深度学习算法的训练需求。此外,传统的卷积神经网络在提取图像全局信息和长距离依赖关系方面存在不足,容易导致成分识别不准确或分割精度较低等问题。为了解决上述问题,本文以语义分割方法为基础,结合数据变形方法和数据过采样图像增广方法,设计了一种致密砂岩图像增广分割模型,并对模型组成进行了详细的分析和实现。本文的主要研究内容包括以下三个方面:1.针对致密砂岩图像数据量少、多样性不足以及标注成本高的问题,本文提出一种结合自动数据增广算法(Auto Augment)和样式生成对抗网络(Style GAN)的混合图像数据增广方法。首先,为提高数据多样性,本文改进了样式生成对抗网络的样式控制方式和自适应增广强度调整周期,提出基于自注意力的样式生成对抗网络(SA-Style GAN),生成高质量的致密砂岩图像。其次,为扩大数据规模,重新设计自动增广算法的增广策略搜索空间并改进搜索算法,提出基于自适应随机自然梯度法的自动数据增广算法(ASNG-AA),自动搜索最优增广策略,实现带标签的数据增广。最后,为验证增广效果,使用U-Net作为验证算法,通过设计对比试验,证明该方法在生成图像质量和提高模型泛化能力方面具有明显优势。2.针对传统卷积神经网络图像全局信息和长距离依赖关系提取能力不足的问题,提出了一种基于CBAM-Transformer的U-Net致密砂岩图像分割网络(CBAM-Transformer U-Net,CTU-Net)。首先,在U-Net网络中引入通道与空间注意力模块(CBAM),增强模型对全局上下文信息的感知能力。其次,在解码器中添加Transformer模块,帮助模型更好地捕获长距离依赖关系。此外,使用Dice损失函数替代传统的交叉熵损失函数,以减少因数据不平衡而导致的错误分割,从而提高模型的分割准确性。最后,为验证模型的性能,使用增广后的致密砂岩图像训练CTU-Net和其他对比算法,并在测试集上进行分割实验。实验结果表明,CTU-Net模型表现出了最佳的分割性能。3.针对地质领域致密砂岩图像分割业务需求,设计并实现了致密砂岩图像分割系统。该系统以CTU-Net图像分割模型为基础,通过实际应用,验证本文所提方法的有效性。通过与三种基于U-Net的语义分割方法进行比较,实验结果表明,本文提出的致密砂岩图像增广分割模型在识别与分割效果上取得了明显的提升。各成分的识别准确率均在87%以上,分割误差率在16%以下,能够有效实现致密砂岩图像的识别与分割。致密砂岩图像分割系统能够快速自动地对图像进行分割,并分析分割结果,大大提高了工作效率。同时,该模型还可以有效减少由于错误分割而引起的地质特征误判、储层预测错误等后续问题,具有较高的应用价值。

基于深度学习的小分子药物化学结构图像识别方法研究

这是一篇关于小分子药物化学结构图像,图像分割,图像识别,U-Net,变换神经网络的论文, 主要内容为小分子药物在肿瘤、心血管、神经系统、消化系统和骨骼等疾病治疗方面发挥着重要作用,但由于小分子药物化学结构通常以图像的形式存在文献中,无法直接使用,所以提取小分子药物化学结构图像并转换成计算机可识别的字符表达格式是小分子药物研究中非常重要的一个环节,通常分为图像分割和图像识别两部分。在此背景下,本文对小分子化学结构图像信息提取问题展开研究,工作总结如下:(1)为了提高现有基于深度学习的小分子药物化学结构图像分割方法对较小图像的分割效果,对U-Net网络进行改进。首先,针对图像边缘和下采样过程中丢失信息的问题,对编码部分进行改进,将Res Net50和混合膨胀卷积结合,实现图像的特征信息提取和下采样操作;其次,针对跳跃连接部分低层干扰信息的问题,对其进行改进,引入高效通道注意力机制,在通道维度上进行处理;然后,针对上采样中容易丢失细节信息的问题,对解码部分进行改进,采用密集上采样卷积对特征图进行上采样,并通过残差卷积块提取融合后的特征图信息。实验结果表明,与经典的U-Net网络相比,本文模型提高了对小分子药物化学结构图像的分割效果,准确率提高了3.71%,召回率提高了6.00%,平均交并比提高了4.85%。(2)为了提高现有基于深度学习的小分子药物化学结构图像识别方法对较复杂序列的图像中字符或化学键的识别效果,对DETR模型进行改进。首先,针对图像中化学结构特征信息识别效果不好的问题,对编码部分进行改进,编码部分将去掉全连接层、引入可变形卷积的Mobile Vi Tv2作为编码器,来提取输入图像的全局和局部特征信息;其次,针对模型收敛速度慢的问题,解码部分使用Conditional DETR的解码部分,并去掉二维坐标位置,此外解码部分在自注意力机制中引入相对位置编码来捕捉不同输入序列中的不同位置信息;然后,针对训练权重不稳定的问题,将学习率预热作为模型的训练方式。实验结果表明,与DECIMER1.0相比,本文模型在编辑距离上提高了24.27%,MASSC指纹上提高了23.38%,拓扑指纹上提高了15.56%,摩根指纹上提高了14.81%;与DETR模型相比,本文模型在评价指标上有所提升的情况下,参数量也减少约一半。(3)利用Python的图形化界面应用开发工具Py Qt5,设计了小分子药物化学结构图像识别系统,将上述模型导入系统,提取化学结构图像并转换成计算机可识别的序列。本文关于小分子药物化学结构图像识别的研究,提高了较小图像的分割效果以及对复杂序列图像的识别效果,为小分子药物研发提供了参考。

基于U-Net的肺结节图像分割研究

这是一篇关于肺结节分割,U-Net,图像拼接,肺实质分割,空间注意力模块,通道注意力模块的论文, 主要内容为肺部医学图像是肺癌诊断和治疗的重要辅助工具,肺癌早期在医学图像上的主要表现是肺结节,因此对肺结节的筛查与分割是肺癌诊断的有效途径。不计其数的肺部医学图像加大了放射科医生的工作量,人工智能技术的发展为辅助人工诊断提供了新的方向并在肺结节的诊断与治疗方面取得了重要进展。为进一步应用人工智能技术提高肺结节诊断的效率与准确度,提出了一种基于U-Net的肺结节图像分割算法。主要工作如下:第一,针对肺结节图像不完整,进行图像拼接过程中存在图像拼接处产生裂缝以及图像拼接时间久的问题,提出一种基于导向快速与旋转简短(oriented fast and rotated brief,ORB)和随机抽样一致(random sample consensus,RANSAC)组合的图像拼接算法,消除了肺结节图像拼接后拼接处的裂痕,提高了肺结节图像拼接的精度。第二,肺结节图像中肺结节的大小和形状各不相同且肺结节图像中肺结节可能具有跟肺部相关组织具有类似的形状特征,因此肺结节图像分割的精确度就难以保证。为解决上述问题,利用最大类间方差法、Canny边缘检测方法、k均值聚类法三种方法从肺部图像中提取肺部图像轮廓,利用肺实质提取算法对肺部图像进行肺实质分割,减小肺结节图像分割中的误差。第三,针对U-Net网络结构在肺结节图像分割过程中分割不准确等问题,提出了一种融入双注意力模块的U-Net肺结节图像分割算法。该算法在U-Net网络结构上增加空间注意力模块和通道注意力模块,利用自我注意力机制从时间与空间两个角度分析全局上下文信息,加强肺结节图像的特征,克服不同因素对分割结果的干扰从而提高肺结节图像的分割效果。

基于深度学习的海马体分割与分类研究

这是一篇关于阿尔茨海默病,海马体分割,U-Net,分类的论文, 主要内容为海马体是大脑内负责认知功能和记忆存储的结构,医学研究表明多种神经性疾病都和海马体的形态特征有一定相关性。当今社会老龄化问题凸显,阿尔茨海默病作为在老年人口中发病率极高的一种神经性疾病,给患者带来极大痛苦的同时造成了一定的社会公共卫生问题。该疾病的主要病理变化是弥散性脑萎缩,其中海马体萎缩出现早且程度深,将海马体从脑组织中精确的分割出来能够对病情的早期诊断有一定辅助作用。因此,本文讨论如何实现精确的海马体分割,并将其应用至病情的分类诊断预测当中。海马体分割有手动分割、半自动和全自动分割三种方式。这些分割方式都有相应的优势和不足之处:(1)手动分割具有一定专业性,完全依靠专家手动进行标记,耗时且经验主观性强;(2)半自动分割通过在人工指导下引入先验信息结合计算机算法,一定程度提高分割效率但操作仍十分繁琐;(3)全自动分割简化了分割难度,短时间内能完成大规模分割结果,但准确性还需进一步提升。针对以上问题,本文采用通过基于深度学习的全自动分割方式,探讨如何达到更精确的高效率分割效果,并将其应用到后续基于海马体的病情分类研究中。为了提高分割精度,本研究首先对比U-Net++模型与传统的图像分割模型FCN、U-Net,验证其应用于海马体分割的优越性,其次在网络结构中加入ECA高效注意力机制和空洞卷积操作进行优化。通过对比验证,提出的改进U-Net++的海马体分割方法明显在海马体分割的应用中达到了更好的效果。在基于海马体的阿尔茨海默病分类研究中,通过选用EfficientNet网络模型达到了较为理想的分类准确率。本研究的创新点总结为以下两点:(1)通过在U-Net++网络结构的上采样和跳跃连接的残差块中添加ECA注意力模块,并加入了不同空洞率的空洞空间金字塔池化操作,重新设计跳跃连接,提高了海马体的分割精度。(2)将轻量级EfficientNet网络应用至海马体分类中,并在输入前加入移位切片标记SPT模块,实现了更准确地分类。本文所做的研究工作中涉及到的原始数据均为三维的大脑MRI核磁共振图像,输入网络前进行相关处理后实现了有效实验,如何利用并改进三维的卷积神经网络进行海马体的分割并减少模型冗余将是后续研究的重点。

结合注意力的U-Net网络多器官分割研究

这是一篇关于注意力机制,多器官分割,U-Net,注意力门,交叉注意力的论文, 主要内容为在当今社会,肺癌与食管癌已经成为了发病率和死亡率的最高疾病之一,对人类健康有极大的威胁。放射治疗是治疗癌症的有效医疗手段之一。在放射治疗过程中,实现病人靶区以及胸部危及器官的精确勾画,是物理师制定放射治疗方案的有力保障。传统的人工勾画方法不仅工作量巨大,会浪费医生的时间,且由于每个医生的主观经验不一样,很难做到用统一的标准去勾画,这就显示出精准的医学图像自动分割尤为重要。因此,研究自动准确的胸部主要器官分割方法具有重要意义。U-Net网络由于其深层卷积结构,使得U-Net网络对相对面积较大的器官分割效果较好,面积较小的器官分割效果较差。对胸部多器官分割任务来说,由于胸部器官大小不同、位置不同、形状不同,对于多个器官的特征信息提取有一定难度,现有研究中利用其他注意力机制进行胸部器官分割的研究较少。因此,本文通过结合注意力机制对U-Net网络进行改进,实现胸部多器官的准确分割,并提升小器官分割精度。本文首先对已存在的Att U-Net网络进行胸部多器官分割研究。Att U-Net网络作为注意力门AG(Attention Gate)与U-Net网络结合体,较少应用于胸部多器官分割。同时,由于胸部的主要器官大小不同,使用U-Net进行深层特征提取时,各器官的特征在不同层的表现程度会有所不同,会带来冗余的底层特征,会在一定程度上扰乱小器官的特征信息,从而降低小器官的分割精度。为了提高多器官的分割效果,本文对Att U-Net中的注意力机制的跳跃连接实验研究,以确定跳跃连接的有效性。由于Att U-Net在实现过程中通过融合不同通道的特征信息实现对重点目标像素点进行特征提取,没有考虑像素点之间的空间依赖关系,对于器官分割精度提升有一定的局限性。而交叉注意力机制CC(Criss Cross Attention)通过循环操作能够从所有像素中获取全图像的上下文信息,生成具有密集且丰富的上下文信息新特征,可以通过较小的计算量就可以获得更好的注意性能。本文在U-Net网络中引入CC模块,提出一个新的网络CU-Net网络来实现胸部多器官的分割。进一步,本文为了更好的利用图像中像素的上下文关系,同时关注重点目标像素,提出了交叉注意力和注意力门相结合的注意力模块,以获得图像中考虑了空间依赖关系的重要像素点的空间信息,从而进行更有效的特征提取。将其与U-Net结合,提出了全新且有效的CAU-Net网络。本文利用公开的胸部多器官分割挑战赛seg THOR数据集,对不同网络,不同注意力结合方式进行了实验研究。研究结果表明,与其他研究者所提出的胸部多器官分割方法进行了比较,CAU-Net优于其他2D网络的分割效果,能够达到或稍优于3D网络的分割效果,平均分割精度可达到0.9299。以U-Net为基础的结合不同注意力机制的几个网络中,CU-Net网络的分割效果比Att U-Net网络要好,而采用CC和AG结合的CAU-Net则能得到最好的分割效果。这些结果表明本文提出的网络在胸部多器官分割时能提高平均分割精度,特别是较好地提高了小器官分割精度,实现了自动快速准确的分割。

现代化大型矿山控制测量的质量控制研究

这是一篇关于矿山控制测量,质量控制,限差改正,深度学习,U-Net,数据处理的论文, 主要内容为随着我国经济和科技实力的不断提高,矿山的安全生产越来越被国家重视起来,矿山控制测量作为矿山安全的基础也逐渐开始受到安全监管者的关注。然而,科学技术与测量仪器的不断发展,使得传统的矿山控制测量质量控制技术和我国1989年颁布的《煤矿测量规程》(以下简称《煤规》)上的某些精度指标出现严重滞后问题,远不能满足如今矿山的发展需求。因此如何来提高矿山控制测量的质量控制是一个急需解决的问题。为解决这一问题,本文首先探讨了矿山安全的重要性以及矿山控制测量在矿山建设中的地位。然后从矿山控制测量工作的三个方面(《煤规》指标限差的修正、误差预计中陀螺定向边位置的确定以及控制测量数据的处理)出发,对矿山控制测量的质量控制提出了自己的观点。论文的工作内容及结论如下:(1)在《煤规》井下三角高程限差的修正方面,论文首先推导了原有井下三角高程限差的来源,然后利用误差传播定理及实测经历分析可知原有的井下三角高程限差是偏大的,已无法适用于现今的煤矿测量要求。接下来对煤矿不同倾角的巷道进行分类讨论,提出了满足不同巷道倾角环境的新限差。最后根据某煤矿具体的实测数据对论文提出的限差进行验证,结果表明新限差可以满足不同巷道倾角下的测量要求。(2)在陀螺定向边位置的确定方面,采用深度学习中U-Net神经网络来预测陀螺定向边位置的方法。本文首先介绍了 U-Net神经网络模型,然后阐述了模型训练的环境配置,并进一步给出了评价指标的计算公式,最后对整个实验的结果进行分析与评价。通过对文中实验结果的定性(原始数据图像、预测的位置图像与预测的位置图像叠加到原始图像产生的效果图像三者之间的比较)定量(评价指标Accuracy值为0.9678,MIOU值为0.9567,MPA值为0.9795,fwIoU值为0.9998)分析表明U-Net模型在确定陀螺定向边位置上取得了较好的结果。并通过具体的实例得出,用U-Net神经网络预测的陀螺定向边应用于贯通误差预计时,可以满足贯通的误差要求。即深度学习在陀螺定向边位置的预测上具有可行性,这也为陀螺定向边位置确定的方法研究上提供了参考价值。(3)在矿山控制测量的数据处理方面,文中采用Python语言对矿山控制测量涉及到的数据处理进行程序编译,其中包括矿山控制测量井下导线与高程测量的数据处理、不同坐标系下的单点与DXF图形文件转换计算、子午线收敛角和陀螺定向边的计算、井口中心坐标的计算、高斯投影坐标的转换计算等实用程序。然后通过具体的实测数据对文中编译的测量数据处理程序进行验证,编译的数据处理软件与传统Excel表格计算结果一致,且页面操作简单,对矿山控制测量数据处理具有一定的实用价值。

基于深度学习的口腔疾病智能诊断系统研发

这是一篇关于口腔疾病,深度学习,U-Net,语义分割,注意力机制的论文, 主要内容为口腔疾病诸如牙结石、龋齿及牙龈炎等在我国患病率较高。开发口腔疾病智能诊断系统对于口腔疾病的提前发现、及时治疗具有重要作用,对于提高全民口腔健康水平具有重要意义。首先构建口腔疾病数据集,使用Labelme标注软件对7220张口腔内图像进行标注,通过绘制多边形的方式标注图片并赋予不同的多边形不同的语义类别。之后对数据集进行预处理,将标注完成的原始图像和标注信息文件通过脚本批量处理为8位深度图,以供模型进行训练。使用9:1的训练策略,训练数据集占90%即6498张,测试数据集占10%即722张。然后,口腔疾病的识别诊断需要定位病灶并对病灶进行分类,而将语义分割作为病灶的识别方式可以达到定位和分类的目的。研究了近年以来的各种语义分割模型的网络结构和基本原理,选取了三种基于编码器-解码器原理的语义分割模型作为理论指导。因此,基于U-Net、PSPNet与DeepLabV3+构建了三种的口腔疾病病灶识别模型。三种模型依次使用训练数据集进行训练,经过50个世代的训练,损失函数收敛。结果表明,基于U-Net的模型相较于其他两种模型识别效果更加精确,mIou和mPA评价指标更高。其次,深入研究了注意力机制等卷积神经网络的改进办法,归纳总结了不同注意力机制的原理和作用并对模型进行重构。基于常见的通道和空间注意力机制,使用了 SENet、CBAM、ECANet 三种注意力模块。搭建了 DR-UNet、CS-UNet 和 FD-UNet三种基于注意力机制的口腔疾病病灶分割模型。三种网络使用相同的训练数据集进行训练,经过80个epoch的迭代,损失函数收敛,改进后的网络模型损失函数有一定下降,并在mIou和mPA两项评价指标下都有一定的提升,其中CS-UNet效果最佳。基于上述的研究,设计并实现了一套B/S架构口腔疾病诊断系统。该系统具有登陆和注销功能、基于图像识别的诊断功能和用户管理功能。管理员用户可对系统及普通用户进行管理,而普通用户可以使用平台的诊断功能。将深度学习模型集成入后台,执行图像的识别,后台数据库会记录诊断历史。

基于传播一致性注意力机制的循环U-Net修复算法研究

这是一篇关于图像修复,注意力机制,混合空洞卷积,U-Net,损失函数的论文, 主要内容为图像修复旨在利用图像已知区域还原缺失部分以得到合理的内容,其在图像处理领域与计算机视觉领域有重要的研究价值,在图像编辑,目标移除等方面也有广泛应用。目前在图像修复领域,基于深度学习的修复方法颇受青睐,取得了不错的成绩,但在大面积破损图像修复任务中,仍然存在较多问题。针对现有算法修复背景复杂的大规模洞孔出现的纹理模糊,结构错乱等问题,提出基于混合空洞卷积模块(Hybrid Dilated Convolution,HDC)与传播一致性注意力机制(Propagation Consistent Attention,PCA)的循环U-Net修复算法,首先使用部分卷积对待修复图像进行预处理,对掩膜和特征图进行归一化更新,随后将预处理的特征图送入包含HDC与PCA的U-Net模块进行推理。推理完成后将输出特征图再次输入该模块进行循环修复,逐步推理直至修复完成,循环结束后对输出图像进行特征合并。最后将合并特征图输入后处理模块进行上采样得到修复结果。提出模型使用组归一化方式(Group Normalization/GN),使用较小批量进行训练,加快迭代速度。在国际公认的公开街景数据集Paris StreetView上验证提出算法的性能,主客观的实验结果表明:提出算法能有效修复背景复杂的大面积不规则缺失图像,有效避免纹理模糊,提升图像结构准确性,其峰值信噪比PSNR和结构相似度SSIM优于对比算法。针对现有算法修复大规模洞孔出现的边缘细节失真,图像连贯性较差等问题,提出基于PCA与混合损失函数(Mix Loss,ML)的循环U-Net修复算法,首先对待修复图像进行部分卷积运算,提升模型学习能力;然后将图像输入至基于PCA的U-Net模块中进行修补,将输出图像输入U-Net循环体,多次循环后将每次循环的输出结果进行特征合并,合并图像经过上采样等一系列后得到最终合成结果,最后提出绝对误差和结构相似度的混合损失函数计算合成图像与原图的差异,优化输出结果。在国际公认的公开人脸数据集CelebA上验证提出算法的性能,主客观的实验结果表明:提出算法能有效修复大面积不规则缺失图像,有效避免边缘细节失真,提升结构细节连贯性,其峰值信噪比PSNR和结构相似度SSIM优于对比算法。

基于生成对抗网络的污损彩色图像修复研究

这是一篇关于污损图像修复,生成对抗网络,U-Net,TransFormer,PatchGAN的论文, 主要内容为图像修复是指通过算法或技术手段对受损、缺失或破坏的图像进行重建或修复的过程。常见的图像修复应用包括去除噪声、填补缺失部分、纠正畸变和扭曲等,旨在提高图像质量和信息可靠性。图像修复技术应用场景广泛,例如在安全监控中使用它来还原模糊不清或被遮挡的画面以获取更多信息,并帮助解决案件调查和取证问题。然而,当前图像修复技术在某些情况下仍存在一些问题亟待解决。例如,修复图像污损面积大时,由于不能将多层维度的图片信息关联,未能将不同尺度的信息提取完善,进而丢失大量特征信息导致修复完成后图像结构混乱,视觉模糊的问题;图像修复时不能关联好待修复图像和有效像素点的联系,无法捕捉深层特征的有效信息,导致图片深度信息提取不充分,产生的伪影重叠,颜色失真,结构不清晰的问题。为了解决这些问题,本文对基于深度学习技术的图像修复方法进行了深入研究,旨在通过算法融合对污损的图像进行修复,进一步提高修复的质量。本文提出了两种图像修复方法,一种方法采用U-Net网络、多尺度金字塔网络的特征融合和Trans Former注意力机制技术,另一种方法采用特征金字塔网络、门控卷积、注意力机制技术,两者都基于生成对抗网络模型下实现。本文的主要研究内容和贡献包括:1)提出了一种基于Trans Former和多尺度特征融合网络的修复算法模型(Trans Former and Multi-scale Feature Fusion Network-based Image Inpainting,TMFF-Net),旨在解决修复污损面积大的图像存在结构混乱,视觉模糊的问题。TMFF-Net模型的生成器由预补全生成网络和增强补全生成网络组成。其中,预补全生成器采用U-Net结构和移位连接层实现污损图像的粗略修复,增强补全模型则采用了Trans Former注意力机制和多尺度特征融合网络实现污损图像的精细修复。U-Net结构能够提取不同尺度的高层次特征,而移位连接层依靠其“复制-粘贴”的特点,将特征信息实现局部位置上的信息交换和特征复用。增强补全模型能够结合图像各个尺度的卷积核生成不同层次的特征图片,特征图片两两经过Trans Former模块特征融合,结合深层信息完成图像的修复。TMFF-Net模型的判别器采用全局判别器和局部判别器两种方式。全局判别器通过卷积和全连接层对整个图像进行判断,以确定其是否真实。局部判别器则采用Patch GAN方法,对图像中的各个像素块进行判断,并评估它们与真实图像的整体一致性。TMFF-Net的损失函数采用多种损失函数的联合,包括风格损失、感知损失、对抗损失和引导损失。经过实验验证,本文所提出的TMFF-Net模型在通用数据集上表现出了良好的修复效果。2)TMFF-Net模型在结构不太复杂的情况下可以修复出视觉质量良好的图像,但在图像稍微复杂并且污损面积大的情况下会出现修复图像颜色失真、结构不清晰等问题,在TMFF-Net模型的基础上提出了一种基于门控卷积和特征金字塔网络的修复算法模型(Gate Convolution and Feature Pyramid Network-based Image Inpainting,GCFP-Net)。GCFP-Net模型的生成器采用了两段式生成网络。第一个生成器中采用门控卷积提高对有效特征信息的提取,第二个生成器则采用特征金字塔网络、注意力机制和门控卷积实现对深层信息的关联,结合两个生成器完成对污损图像的修复。GCFP-Net模型的判别器采用SN-Patch GAN判别器,将图像分为若干个小区域进行判别,输出每个小区域是真实图像的概率。在数据集Celeb A、Places2、Paris Street上测试了这两种方法,并与其他主流算法进行定量和定性的实验对比。实验结果表明,本文提出的GCFP-Net算法在修复污损图像后数据的平均绝对误差方面比PEN-NET、Edge-Connect、LBAM算法平均提高了10%以上,结构相似性指数方面提高了5%以上,峰值信噪比方面提高了8%以上。这些实验数据表明,本文提出的算法模型在污损图像修复方面具有显著的优势,能够更好地修复污损图像的结构和细节信息,有效的提升污损图像的视觉质量。