随着互联网时代的发展,人脸图像修复技术的应用越来越广泛。人脸图像修复问题逐渐得到学术界的关注,成为计算机视觉领域的一个研究热点。成熟的人脸图像修复技术具有非常重要的意义与应用价值,可应用于媒体社交、娱乐、安防和考古等多个领域。本文主要工作为针对目前的人脸图像修复方法存在无法有效利用人脸图像结构先验和无法获取特征长程关联性等问题,结合生成对抗网络框架,提出以下两种创新的人脸图像修复算法:1.基于多判别器生成对抗网络的人脸图像修复算法。该方法充分利用人脸图像结构先验,创造性地在人脸图像的特定区域上使用多个判别器,同时结合感知损失和重建损失来对抗训练,能针对性地修复人脸的关键部位,使人脸图像修复的细节更加饱满。该方法所使用的多个结构相对简单的判别器,因只在训练阶段约束网络训练,减少了预测阶段网络的计算量和参数量,大大提升了网络对人脸图像的修复效率。2.基于自注意力机制生成对抗网络的人脸图像修复算法。该方法能获取修复任务中人脸图像全局和局部特征在空间和通道维度上的长程关联性。该方法拥有多个并行的自注意力模块,包括位置注意力模块、通道注意力模块、前景注意力模块和前景背景交叉注意力模块。自注意力模块能够鲁棒地的学习到图像前景和背景之间的特征关联性,并在一定程度上解决了神经网络结构中卷积层受限于卷积核过小而无法获取到的特征间长程关联性,提升了人脸图像修复的效果。为了验证提出的两个方法对于人脸图像修复任务的有效性,本文对以上的两个算法模型进行了充分的实验验证和比较。在两个常用的人脸图像数据库上进行实验,并以数种近年有代表性的人脸图像修复算法为基准作对比。实验结果表明,以上两种算法都比作为基准的人脸图像修复算法在定量和定性的结果对比上有了明显的提升。