12、行星图像修复：基于模式特定回归模型的机器学习方法

行星图像修复：基于模式特定回归模型的机器学习方法

1. 图像修复技术概述

图像修复是计算机视觉领域的重要任务，旨在填充图像中的缺失区域。近年来，许多研究尝试使用不同的方法解决图像修复问题。例如，有研究使用轻量级全卷积网络（FCN）解决盲图像修复任务，其性能与基于稀疏编码的K - SVD技术相当。

Pathak等人提出了上下文编码器（Context Encoders），这是一种基于通道全连接卷积神经网络的方法，使用标准的ℓ2损失（像素级重建损失）和对抗损失进行训练。该方法是首个能够通过预测缺失区域周围上下文来修复图像中大洞或缺失区域的方法。

随后，Iizuka等人扩展了Pathak的工作，利用扩张卷积层的优势，其基于编码器 - 解码器的方法能够在局部和全局上一致地恢复缺失像素。该方法同样使用对抗训练进行图像补全，并且由于提出了全局和局部上下文判别网络，能够处理任意大小的图像和掩码。

最近，Yu等人提出了一种具有新颖上下文注意力层的统一前馈生成网络，使用重建损失和两个Wasserstein GAN进行训练，该统一框架能够修复位于任意位置、不同大小的多个孔洞的图像。

2. 行星表面图像修复应用

深度图像修复技术也被应用于行星表面图像修复任务。此前，有研究提出基于U - Net的方法来恢复Kaguya卫星上多波段成像仪（MI）收集的月球表面图像的缺失像素。而本次工作在此基础上，通过在实验数据集上基于具有相似直方图分布的不同图像簇训练特定模式的回归模型，来填充火星轨道图像中的缺失像素。

3. 实验数据

本次实验使用了火星勘测轨道飞行器上HiRISE相机收集的火星轨道图像，其空间分辨率