基于匹配語義感知的單板缺陷圖像修復研究

葛奕麟，孫麗萍, 王頔

摘要：單板的質量決定單板類人造板的使用價值，單板上的缺陷處理成為木材加工中的重要環節。為處理單板的缺陷，提高木材的利用率，提出一種基于匹配語義感知的單板缺陷圖像修復方法。首先使用匹配語義感知模塊獲取遠距離的特征，提升模型的精度；然后使用雙卷積模塊，捕獲多尺度上下文信息，并在整個網絡中使用區域歸一化，避免均值和方差偏移。使用峰值信噪比（Peak signal-to-noise ratio，PSNR）和結構相似性（structural similarity index，SSIM）為評價指標。研究結果表明，改進后方法的PSNR達到28.48，SSIM達到0.91，與全局和局部判別器網絡（Globally and Locally Consistent Image Completion，GL）相比，PSNR和SSIM分別提升1.03%和0.05%。研究結果表明該方法可取得結構、紋理一致的修復效果，為單板缺陷修復提供指導性意見。

關鍵詞：圖像修復；深度學習；單板缺陷；匹配語義感知；區域歸一化

中圖分類號：S781.5; TP391.4文獻標識碼：A文章編號：1006-8023（2024）01-0098-08

Image Inpainting Research of Veneer Defect Based on Match Attention

GE Yilin1， SUN Liping1*， WANG Di2

（1.College of Computer and Control Engineering， Northeast Forestry University， Harbin 150040， China;?2.College of Petroleum Engineering， Harbin Institute of Petroleum， Harbin 150028， China）

Abstract：The quality of veneer determines the grade of veneer wood-based panels and the treatment of defects on veneer becomes an important part of wood processing. In order to deal with veneer defects and improve wood utilization， an image inpainting method of venerr defect based on match attention is proposed. The method proposes a match attention module to acquire features at a distance to enhance the accuracy of the model and uses a double convolution module that captures multi-scale contextual information. Then region normalization is used? throughout the network to avoid mean and variance bias. Peak signal-to-noise ratio （PSNR） and structural similarity index （SSIM） are used as evaluation indicators. The results show that the PSNR of the improved method reaches 28.48， and the SSIM reaches 0.91. Compared to the globally and locally consistent image completion （GL） method， the PSNR and SSIM are improved by 1.03% and 0.05%， respectively. This method can achieve consistent effect in structure and texture， which providing guidance for the inpainting of the veneer defects.

Keywords：Image inpainting; deep learning; veneer defect; match attention; region normalization

0引言

由于人們長期對森林資源無節制的開采利用，生態環境受到嚴重破壞，大力發展人造板產業會促進林業發展，不會過多破壞林業資源[1]。單板類人造板是以膠合板、細木工板等為基材，以單板為飾面材料的人造板材，因其價格低廉并給人以真實感，因而被廣泛地應用于家具行業[2]。此外，消費者更喜歡購買無缺陷、紋理自然的家具。因此，木材加工企業為了去除缺陷提升人造板的等級，使用單板修補機對單板缺陷區域進行挖補，再用顏色、紋理相近的補片進行拼接[3-4]，但是單板缺陷周圍的紋理復雜，這種方法不能保證單板表面視覺的一致性和美觀性，導致修復后的單板不能作為人造板的貼面，因此如何去缺陷使單板周圍紋理一致是目前急需解決的問題。用圖像修復的方法對單板缺陷區域進行修復，使修復后的區域接近單板自然狀態，對于提高單板的利用率和單板類人造板的產品質量具有重要意義。

單板表面的缺陷是指能夠降低單板商品價值的特征總稱，只要能降低單板的使用價值，影響其質量，均稱之為單板的缺陷。在單板加工行業中，活節、死節和蟲眼是最常見的缺陷，活節（圖1（a））的木質沒有被破壞，因此與周圍相鄰的顏色變化較小，但活節改變了纖維的走向，在視覺上影響了單板的美感；死節（圖1（b））的木質已經基本或全部改變，因此降低了木材的力學性能；蟲眼（圖1（c））是指昆蟲蛀蝕木材產生的孔眼，在各類木材中都有可能出現，蟲眼缺陷既破壞了單板的完整性，又會引起木材腐朽。綜上所述，本研究主要考慮活節、死節和蟲眼3方面的缺陷。

圖像修復是計算機視覺中的經典研究。目前圖像修復主要分為傳統修復方法和深度學習修復方法，傳統圖像修復方法可以填充區域較小的結構和修復簡單的紋理，并處理邊界區域的不連續性和模糊問題，但是這類方法在修復缺陷區域較大、強語義和紋理復雜的圖像任務中仍然表現不佳，不能保證生成圖像整體的一致性[5]。

近些年，深度學習方法在圖像修復技術中取得了巨大的進步，圖像修復技術也隨著深度學習的快速發展不斷取得突破?；谏蓪咕W絡（Generative adversarial network，GAN）[6]的深度生成方法不斷彌補傳統圖像修復方法的缺陷。GAN通過從大規模數據集學習高維抽象特征，用近似真實的替代內容填充損壞的圖像，成為修復領域的主流模型。然而，基于GAN的修復模型仍然有局限性，其修復模型大多存在圖像結構信息丟失和生成紋理不真實等問題，通常會導致模糊和幾何扭曲的結果。

為解決上述問題，最近的一些研究獲取了更多的上下文信息，以生成更好的修復結果，這些研究可以分為2種模式。一類研究表明，利用空洞卷積[7-8]可以使圖像在不丟失分辨率的情況下擴大感受野，獲得多尺度上下文信息，更好地預測缺失區域的內容。Iizuka等[9]使用空洞卷積來修復人臉圖像，Noord等[10]使用空洞卷積來修復自然街景圖像，武昭乾[11]引用空洞卷積提高火控故障預測的泛化程度，都取得了不錯的效果。另一類研究[12]表明，U-Net網絡能夠將低級和高級的語義特征相融合，獲取更多的語義信息，增加模型的泛化能力。Fang等[13]提出一種基于U-Net的新模型，集成所有尺度的信息，以生成更高質量的圖像；劉昱等[14]運用U-Net網絡中的跳躍連接，通過對低層卷積信息的再利用，更好地修復大面積破損的人臉圖像；鄔開俊等[15]在U-Net網絡和GAN網絡的基礎上，加入改進的注意力模塊，解決大面積破損修復效果差的問題；Zeng等[16]以U-Net網絡為主干結構，將高層特征圖上通過注意力機制計算出的受損區域和未受損區域的區域相似度，應用在下一層低層特征圖上的特征補全，補全后的特征圖繼續指導下一層特征圖缺失區域的補全。但是僅使用U-Net網絡和空洞卷積模塊，只能擴大模型的感受野，獲取多尺度信息，無法保證模型的精度，從而導致模型修復后的圖像模糊。

基于上述研究，提出一種基于匹配語義感知的單板缺陷圖像修復方法，該方法采用雙卷積網絡獲取更多的內容信息，并引入了匹配注意力模塊，保證生成內容的語義相關性和特征連續性，還在模型中加入區域歸一化，提升模型精度。試驗結果表明，該方法既能去除單板缺陷又能重建缺失區域的內容，為后續識別出與修復區域顏色、大小和紋理都相近的單板貼補片提供指導。

本研究的具體貢獻如下。

1）考慮到卷積神經網絡只能獲取相鄰像素的特征，而對空間距離較遠的特征神經網絡無法獲取，因此提出匹配語義感知模塊提升模型的精度。

2）為防止模型梯度爆炸，引入區域歸一化，將像素劃分為不同的區域，解決單板修復精度低的問題。

3）與一些先進的圖像修復方法相比，改進后的方法獲得了更高質量的結果，并生成了具有視覺一致性的紋理。

1試驗與方法

本研究目的是對單板缺陷區域進行紋理重建，先用無缺陷的單板紋理數據集訓練基于GAN網絡的圖像修復模型，再將缺陷數據集遮蓋掩膜后輸入到修復模型中，從而獲得缺陷區域的內容。因此，數據集分為單板紋理數據集和單板缺陷數據集兩部分。

1.1試驗數據及環境

單板是一種天然高聚物，其表面性質十分復雜，受紋理、光澤和顏色等因素的影響，能選取樹的種類眾多。針對針葉樹材和闊葉樹材的不同，選取WOOD-AUTH數據集[17]中的12種不同種類的單板作為試驗材料，構建單板紋理數據集。其分類見表1。

購入表面帶有缺陷的紅松、柞木、落葉松和水曲柳樣本進行單板缺陷表面圖像的采集。單板缺陷數據集使用試驗室搭建的圖像采集設備進行拍攝，原始圖像使用OscarF810CIRF工業相機拍攝單板表面缺陷，當單板在傳送帶上向前移動時，紅外線傳感器觸發CCD（Charge coupled device）相機的信號，使用LED均光板進行打光，以采集單板缺陷圖像。其系統結構示意圖如圖2所示。本設備共拍攝了2 730張單缺陷圖像，其中活節1 000張，死節860張，蟲洞870張。

深度學習模型訓練集樣本數量越大，其訓練效果越好，因此在訓練過程中采用了數據增強技術。本研究共使用了8種圖像增強方法，包括翻轉（水平翻轉、垂直翻轉）、裁剪、仿射變換、3種模糊方法之一（高斯模糊、平均模糊和中值模糊）、添加高斯噪聲、對比度歸一化、局部仿射和彈性變換。對于每張圖像，2種翻轉方法中只有1種會被使用，其他7種方法將以50%的概率隨機使用。此外，所選方法的操作順序是隨機的。圖3為部分缺陷圖像增強后的結果，第一列為原始圖像，其他列為上述混合運算的增強結果。對每張圖像增強5次，使原始數據集增大6倍。所有缺陷圖像增強完成后，單板紋理數據集總共獲得41 354張圖像，缺陷數據集總共獲得16 380張圖像。將數據集分為訓練數據集和測試數據集，分別占80%和20%。

試驗模型基于Pytorch[18]，在一個電腦配置為GPU：NVIDIA 2080TI上進行訓練，使用Adam優化器進行優化，超參數α=0.5和β=0.9。生成器和鑒別器的學習率固定為? 10-4，訓練參數見表2。

1.2研究方法

目前較為先進的圖像修復網絡—全局和局部判別器網絡（Globally and locally consistent image completion，GL）[9]在修復人臉、建筑物等任務中顯示了卓越的效果，但是木材與人臉、建筑物等不同，木材表面的紋理排列方向不同，而且種類較多，因此通過對GL的改進來構建新的修復模型，使該模型在單板缺陷修復領域能取得較好的效果。具體的改進如下。

1.2.1生成器整體設計

模型的生成器是由編碼器組成，整體模型如圖4所示，將一張帶有孔洞的256×256的單板圖片Iin輸入到網絡模型中，得到最終的圖片If，使得修復后的圖像If接近真實圖像Igt。

在編碼器中，不同于GL模型選擇卷積層和池化層進行特征提取，而基于匹配語義感知模型采用卷積層和空洞卷積進行特征提取。因為池化層在增大感受野的同時降低了空間分辨率、損失了部分輸入的信息原始，導致細節丟失無法通過上采樣進行還原。而與池化層相比，空洞卷積在增大感受野的同時減少了信息的損失。因此，下采樣部分使用卷積層和空洞卷積的雙卷積模型共同進行特征提取，讓每個卷積的輸出都包含較大范圍的信息。生成的網絡展開如圖5所示，下采樣的每一層都由一個3×3的卷積和一個4×4的空洞卷積組成，在每個卷積層都采用泄露修正線性函數（Leakg Rectified Linear Unit， Leaky Relu）和前期區域歸一化。上采樣部分采用了步長為1的3×3轉置卷積和stride為2的轉置卷積，每個卷積層都采用Relu和后期區域歸一化。

1.2.2匹配語義感知模塊

GL網絡只應用卷積神經網絡，使用逐層處理法獲取圖像特征，因此只能獲取相鄰像素的特征，而對空間距離較遠的特征神經網絡無法獲取。為了達到更好的修復效果，在模型中設計匹配注意力模塊（Match Attention，MA），提高修復任務處理的視覺一致性。MA模塊首先從已知區域選取3×3的像素塊，并將其重塑為卷積核，再對圖片的未知區域（r）進行卷積，將未知區域的像素和已知區域的像素進行相似度計算，選取相似度最高的補塊，并將其移至相應的未知區域。匹配語義感知模塊如圖6所示。

1.2.3區域歸一化

不同于其他的任務，圖像修復任務分為缺失區域和完整區域，若對2個區域同時歸一化，容易導致均值和方差偏移，因此本研究應用區域歸一化（Region normalization，RN）[19]方法對圖像修復任務進行歸一化。根據掩膜將像素劃分為不同的區域，并計算各個區域的均值和標準差。

區域歸一化分為前期的區域歸一化（RN-B）和后期的區域歸一化（RN-L）。RN-B通常用于編碼器以解決較大的未缺失區域造成的嚴重平均值和方差變化。然而，經過多次的卷積，未缺失和缺失區域將融合在一起，如果仍然使用RN-B，這種方法有效性變差。因此，將RN-L用于解碼器中，這不僅可以檢測缺失區域還能夠促進缺失區域的重構。

1.2.4損失函數

損失函數能夠判斷模型的預測值和真實值之間的差距，在深度學習模型中起到決定性作用，損失函數越好，模型的擬合程度越好，性能越好。不同的損失函數能夠解決不同類型的問題。本研究在GAN損失的基礎上加入梯度懲罰，在判別器上加強利普希茨（Lipschitz）約束，使用瓦瑟斯坦生成對抗網絡（Wasserstein Generative Adversarial Network， WGAN）損失[20]作為損失函數。Wasserstein距離（式中記為W（Pr，Pg））如式（1）所示。

W（Pr，Pg）=1Ksupf L≤K

Euclid Math TwoEA@

x～Prf（x）－

Euclid Math TwoEA@

x～Pgf（x）。 （1）

式中：Pr為真實數據分布；Pg為生成數據分布；sup是最小上界；f是1－Lipschitz函數；K為常數;

Euclid Math TwoEA@

為期望值。

對于每一個可能的聯合分布Pr而言，可以從中采樣x～Pr得到真實樣本x。為了在一個小的空間中訓練參數W，在每次梯度更新時使用了一個約束。該約束不能太大或太小，太大會使得訓練時間過長，太小會導致梯度彌散。因此需滿足以下約束條件，如式（2）所示。

f（x1）－f（x2）≤x1－x2。（2）

判別器網絡fw為了使得損失L盡可能大，將不是非線性激活層的最后一層和參數W組成在一起，如式（3）所示。

L=

Euclid Math TwoEA@

x～Prfw（x）－

Euclid Math TwoEA@

x～Pgfw（x）。（3）

L此時接近于生成分布和真實分布之間的Wasserstein距離，生成器可以通過最小化L來近似Wasserstein距離，由此生成器的損失函數如式（4）所示。

L=－

Euclid Math TwoEA@

x～Pgfw（x）。（4）

全局判別器和局部判別器使用WGAN對抗性損失進行訓練，對抗損失表示如式（5）所示。

Ladversarial=

Euclid Math TwoEA@

x～Pgfw（x）－

Euclid Math TwoEA@

x～Prfw（x）。（5）

判別器由全局損失Ladversarial－global和局部損失Ladversarial－local共同組成的，因此則判別器的損失函數如式（6）所示。

LD=Ladversarial－global+Ladversarial－local。（6）

2結果與分析

為證明模型在圖像修復任務中的效果，將本研究的方法與上下文編碼器（Context Encoder，CE）[21]和全局和局部判別器網絡（Globally and Locally Consistent Image Completion，GL）[9]方法進行比較。

2.1生成性結果分析

將提出的方法與CE、GL方法在單板紋理數據集上進行比較，驗證方法的修復效果。其修復后的視覺效果如圖7所示，圖7中從左至右分別為帶有中心掩膜的輸入圖像，CE、GL對比方法的修復結果、本方法的修復結果以及原圖像。從圖7可以看出，CE方法的修復結果呈現出模糊的結果，GL方法使用了全局和局部判別器，在視覺上比CE有所改善，但是依然存在紋理扭曲和模糊現象。本研究方法利用了匹配語義感知模塊和RN，并對細節進行了處理，從視覺上能夠看出本研究方法生成的圖像明顯優于CE方法和GL方法，改進后模型的紋理更加清晰，結構更加連續。

2.2有效性結果分析

圖像的修復效果不能只從視覺效果上評價修復后圖像的質量，還要憑借評價指標判斷圖像質量的好壞。為了對比規則缺陷的模型修復效果，使用20%～30%的中心矩形掩膜遮住單板紋理圖像并進行修復試驗，再將3種方法最后6個訓練模型得到的測試結果值相加取平均數，最后使用3個評價指標對方法進行有效性分析。本研究采用3種評價指標對生成的圖像與原始圖像進行比對，從而判斷修復后圖像的質量。

均方誤差（Mean Square Error，MSE，式中記為MSE）如式（7）所示，H、W分別為圖像的高度和寬度，X為原圖，Y為修復后的圖像。

MSE=1H×W∑Hi=1∑Wj=1（X（i）－Y（i））2 。（7）

峰值信噪比（Peak Signal to Noise Ratio，PSNR，式中記為PSNR）是最常用的一種圖像質量評價指標，定義如式（8）所示，式中n為圖像中每個像素的色彩深度。

PSNR=10log102n－12MSE。（8）

結構相似性（Structural Similarity，SSIM，式中記為SSIM），能夠從3個不同方面度量2張圖片的相似性，從而反映圖像的質量。SSIM認為亮度（Luminance，式中記為L）、對比度（Contrast，式中記為C）、結構（Structure，式中記為S）3要素能夠反映2張圖片的差異。SSIM的亮度、對比度、結構分別如式（9）—式（11）所示。

L（X，Y）=2μXμY+c1μ2X+μ2Y+c1。（9）

C（X，Y）=2σXσY+c2σ2X+σ2Y+c2。（10）

S（X，Y）=σXY+c3σXσY+c3。（11）

c1=（k1L）2，c2=（k2L）2，c3=c22。（12）

式中：uX、uY分別為圖像X和Y的均值；σX、σY分別為圖像X和Y的標準差；σ2X、σ2Y分別表示圖像X和Y的方差；σXY代表圖像X和Y協方差；c1、c2、c3為常數；取k1=0.01， k2=0.03；L為像素值的動態范圍，一般都為255。則SSIM如式（13）所示。

SSIM（X，Y）=（2μx μy+c1）（2σXY+c2）（μ2x+μ2y+c1）（σ2X+σ2Y+c2） 。（13）

PSNR和SSIM的值越高則證明修復效果越好，MSE的值越低證明失真越小。3種方法對中心掩膜修復后圖像的有效性分析結果見表3。

從表3可以看出，本研究方法修復結果在3個評級指標中都是最好的，因此本研究模型對于圖像修復任務具有有效性。

2.3消融試驗

本研究提出的想法能夠考慮到圖像中的語義特征，使生成圖像的紋理保持一致性和連續性，其主要原因在于：首先引入MA模塊提取已知區域的特征，從而恢復缺失區域的細節信息；其次使用RN，避免了均值和方差偏移，有效提升模型的精度。為了驗證MA模塊和RN對圖像修復任務的有效性，利用消融試驗評估兩者的效果。試驗結果如圖8所示，圖8（a）是帶有缺陷的輸入圖像，圖8（b）是沒有使用MA層方法的生成結果，雖然方法使用了RN，但是圖像中的紋理信息和結構特征依然丟失。圖8（c）是沒有使用RN的結果，盡管方法使用匹配語義感知模塊從已知背景中選取特征信息的內容以生成缺失的內容，但是依然缺少深度信息特征的語義，由圖8可以看出，只使用MA模塊生成的圖片比只使用RN生成的圖片效果好。圖8（d）是同時使用MA模塊和RN生成的結果，可以由圖8（d）看出，其修復的結果能基本保證紋理的一致性和結構的連貫性。上述結果證明通過MA模塊能夠從已知區域借用精確特征，減少紋理和結構信息的丟失，RN能夠避免發生偏移，提高修復網絡質量。

2.4缺陷區域生成試驗

紋理是單板的重要特征，上述的試驗證明本研究方法能夠重建單板的紋理。通過試驗來評估修復模型對缺陷區域重建的效果，其修復效果如圖9所示，修復后的圖片基本能夠去除節子和蟲眼等缺陷，可以為后續進一步對缺陷區域補繪填充作技術指導。

3結論

本研究提出了基于匹配語義感知模塊的單板缺陷圖像修復方法，針對GL方法生成圖像效果不理想等問題，利用雙卷積進行特征提取，還在模型中加入注意力模塊重新構建了網絡模型，并在整個網絡使用RN，改善圖像的修復結果，最后針對訓練不穩定和模式崩塌的問題，結合了 Wasserstein的損失函數進一步提升網絡的性能。通過對比CE方法和GL方法，本研究方法不僅在視覺效果上表現得最好，并且通過評價指標證明方法的有效性，試驗證明，改進后模型的PSNR值達到28.48，SSIM值達到0.91，與GL方法相比，提升了1.03%和0.05%。因此以該模型修復的圖像作為單板缺陷修復模板，能夠提高單板和單板類人造板的利用率，減少資源浪費。

【參 考 文 獻】

[1]蘇立琢.林業生態環境保護下的林業經濟發展探討[J].山西農經，2022（2）：118-120.

SU L Z. Exploring the development of forestry economy under forestry ecological protection[J]. Shanxi Agricultural Economy， 2022（2）：118-120.

[2]秦莉，于雪斐.人造板產品質量分析與建議[J].中國人造板，2022，29（2）：5.

QIN L，YU X F. Analysis and suggestion on quality of wood-based panel products[J]. China Wood-Based Panels， 2022， 29（2）：5.

[3]石煜.面向單板表面缺陷實時檢測的運動模糊圖像復原方法[D].北京：北京林業大學，2020.

SHI Y. Image restoration for motion blur in real-time detection system of veneer sheets surface defects[D]. Beijing： Beijing Forestry University， 2020.

[4]王阿川.基于變分PDE的單板缺陷圖像檢測及修補關鍵技術研究[D].哈爾濱：東北林業大學，2011.

WANG A C. Research on the key technology of veneer defect image detection and patching based on variational PDE[D]. Harbin： Northeast Forestry University， 2011.

[5]李明亮.家具木坯料表面缺陷自動檢測修補關鍵技術及設備研究[D].贛州：江西理工大學，2019.

LI M L. Research on key technologies and equipment for automatic detection and repair of surface defects of furniture wood blanks[D]. Ganzhou： Jiangxi University of Science and Technology， 2019.

[6]GOODFELLOW I J， POUGET-ABADIE J， MIRZA M， et al. Generative adversarial networks[J]. Advances in Neural Information Processing Systems， 2014， 27：2672-2680.

[7]YU F， KOLTUN V， FUNKHOUSER T. Dilated residual networks[C]// In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， Honolulu， HI， USA， 21–26 July 2017：636-644.

[8]YU F， KOLTUN V. Multi-scale context aggregation by dilated convolutions[C]//Proceeding of International Conference on Learning Respresentations， 2016.

[9]IIZUKA S， SIMO-SERRA E， ISHIKAWA H. Globally and locally consistent image completion[J]. ACM Transactions on Graphics， 2017， 36（4）： 1-14.

[10]NOORD N V， POSTMA E. Light-weight pixel context encoders for image inpainting[J]. 2018. arXiv：1801.05585[cs.CV]

[11]武昭乾.基于卷積神經網絡的火控計算機故障預測研究[D].沈陽：沈陽工業大學，2022.

WU Z Q. Research on failure prediction of fire control computer based on convolutional neural network[D]. Shengyang： Shenyang University of Technology， 2022.

[12]RONNEBERGER O， FISCHER P， BROX T.? ? ?U-Net： convolutional networks for biomedical image segmentation[C]// Proceedings of the 18th International Conference on Medical Image Computing and Computer-assisted Intervention. Munich， 2015， 234-241.

[13]FANG Y C， LI Y F， TU X K. Face completion with hybrid dilated convolution[J]. Signal Processing： Image Communication， 2020， 80：115664.

[14]劉昱，劉厚泉.基于對抗訓練和卷積神經網絡的面部圖像修復[J].計算機工程與應用，2019，55（2）：110-115，136.

LIU Y， LIU H Q. Facial image restoration based on adversarial training and convolutional neural networks[J]. Computer Engineering and Applications， 2019， 55（2）：110-115， 136.

[15]鄔開俊，單宏全，梅源，等.基于注意力和卷積特征重排的圖像修復[J].計算機應用研究2023，40（2）：617-622.

WU K J， SHAN H Q， MEI Y， et al. Image restoration based on attention and convolution feature rearrangement[J]. Application Research of Computers， 2023， 40（2）：617-622.

[16]ZENG Y， FU J， CHAO H， et al. Learning pyramid-context encoder network for high-quality image inpainting[J]. 2019， arXiv：1904.07475[cs.CV].

[17]BARMPOUTIS P， DIMITROPOULOS K， BARBOUTIS I， et al. Wood species recognition through multidimensional texture analysis[J]. Computers and Electronics in Agriculture， 2018， 144：241-248.

[18]PASZKE A， GROSS S， MASSA F， et al. PyTorch： An imperative style， high-performance deep learning library[J]. 2019， arXiv：1912.01703[cs.LG].

[19]YU T， GUO Z Y， JIN X， et al. Region normalization for image inpainting[C]//Proceedings of the AAAI Conference on Artificial Intelligence， Honolulu， HI， USA， 27 January-1 February 2019; 34：2733-12740.

[20]ARJOVSKY M， CHINTALA S， BOTTOU L. Wasserstein generative adversarial networks[C]//Proceedings of the 34th International Conference on Machine Learning， PMLR， 2017， 70：214-223.

[21]PATHAK D， KRAHENBUHL P， DONAHUE J，et al. Context encoders： Feature learning by inpainting[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， Las Vegas， NV， USA， 27-30 June， 2016：2536-2544.