基于自注意力机制的图像修复方法研究摘要图像修复（Image Inpainting）是计算机视觉领域一项经典且具有挑战性的任务，旨在根据图像中的已知区域填补缺失或损坏的部分。传统的基于扩散或纹理合成的方法在处理复杂结构和大面积缺失时效果有限。近年来，基于深度学习的生成模型，特别是卷积神经网络（CNN），在该任务上取得了显著进展。然而，卷积操作固有的局部感受野限制使其难以捕获图像中的长程依赖关系。自注意力机制通过计算特征图中任意两个位置之间的相关性，能够有效建模全局上下文信息，为图像修复提供了新的解决思路。本文系统研究了基于自注意力机制的图像修复方法，设计了一种结合了自注意力模块与卷积编解码器结构的生成对抗网络（GAN）。通过详细的代码实现与实验验证，本文证明了自注意力机制在恢复图像的几何结构和纹理一致性方面的有效性。关键词：图像修复；自注意力机制；生成对抗网络；深度学习；计算机视觉1. 引言1.1 研究背景与意义图像修复技术广泛应用于多个领域，包括文物数字化修复、老照片翻新、图像编辑（移除物体）、影视特效制作以及医学图像处理等。其核心目标是在保持图像整体语义一致性的前提下，合理且逼真地填补缺失区域。早期的图像修复方法主要分为两类：一类是基于偏微分方程的扩散方法（如Bertalmio等人提出的BSCB模型），该类方法将图像边缘的等照度线向缺失区域扩散，适用于填补狭小的划痕；另一类是基于纹理合成的方法（如Criminisi算法），通过搜索已知区域中最相似的纹