大三下学期定毕设题目那会儿，我在教研室坐了一下午，把“图像修复”四个字翻来覆去地看。传统方法从扩散插值到纹理合成，论文看了一堆，实验也跑了不少，总觉得差点意思——要么只能用在小块划痕上，要么修复完边缘糊成一片。后来看到DCGAN在无监督特征学习上的那篇经典工作，脑子里蹦出来一个想法：既然生成器能学到图像的分布，那把它挖掉一块再让生成器填回去，是不是就是图像修复？就这样，我把毕设题目定成了“基于深度学习的图像修复算法研究——DCGAN方向”。
这篇博文就把整个从选题到答辩的过程写出来。我不会只贴代码，会把为什么选这个方案、每一步怎么设计、训练中踩过哪些坑、最后怎么跟导师解释实验结果，全部摊开讲。适合正在做类似毕设、或者想入门GAN做图像生成/修复方向的同学参考。你不需要把DCGAN当作一个“过时模型”来看，它的结构简单、原理直观、可视化效果好，恰恰是做毕设最稳的切入点——比一上来就跑SOTA模型靠谱得多。
1. 选题复盘：为什么一个本科生敢用DCGAN做图像修复
1.1 图像修复问题到底在解决什么
图像修复（Image Inpainting）的核心任务描述起来很朴素：给定一张图，图上有一块区域缺失或不完整，把缺失部分补上，让人看不出修补痕迹。听起来像Photoshop里的“内容识别填充”，但本科毕设要做的远比这个具体——你要定义清楚“缺失”是什么形式、用什么算法生成补全内容、怎么量化补得好不好。
早期方法主要分两类。一类是偏微分方程扩散的方法，代表性的是Telea的快速行进法（FMM），它从已知像素边界向内扩散颜色信息，适合小面积划痕，一旦挖掉区域超过一定尺寸，就会因为缺少高层语义信息而只剩模糊的一团。另一类是纹理合成方法，从周围区域找相似纹理块拼进去，对小纹理区域尚可，碰到复杂的图像结构就崩了。传统方法的核心局限在于：它们只利用局部像素关系，不理解“这里应该是一扇门”“那里应该是一只眼睛”这种全局语义。
深度学习方法的思路完全不同。它不再手工设计扩散规则，而是让网络从大量数据中直接学习图像的内在分布。到毕设这个层面，你真正需要的不是从零发明一个新架构，而是把已有框架吃透，跑通，并给出合理的分析和对比。这也是我最终选择GAN路线而不是纯CNN回归路线的原因——修复任务和生成任务天然契合，GAN的训练过程本身也是毕设中期展示的好素材。
1.2 从传统方法到生成式方法的演化逻辑
想理解DCGAN为什么能用来修复，得先理解GAN在学什么。生成对抗网络的核心思想是训练两个网络互相博弈：生成器负责把随机噪声变成“看起来像真实图像”的输出，判别器负责区分输入是真实样本还是生成样本。两者对抗到最后，生成器学会的其实不是背诵训练集，而是学到了训练数据的概率分布。
那这和图像修复有什么关系？关系大了。你想，如果生成器真的学到了“猫的照片长什么样”这个分布，那给它输入一只缺了耳朵的猫，它理论上知道耳朵区域应该生成什么样的毛发纹理，因为它见过大量“完整的猫”。DCGAN的价值在于，它用卷积操作替换了原始GAN中的全连接结构，让生成器能够更好地建模图像的空间结构信息，稳定性也比最早的全连接GAN好了一大截。
放到毕设的时间尺度上看，DCGAN还有一个难以拒绝的优势：它足够简单。整个生成器不过五六层反卷积，判别器对应五六层卷积，在单卡上训练几小时就能出效果。你完全可以在中期检查时给导师展示训练过程的生成效果对比，这在传统方法里是不可能的。说白了，这是一个“性价比极高”的毕设选题——理论深度够讲，实验周期可控，可视化和可解释性都强。
2. DCGAN图像修复的完整原理拆解
2.1 生成器与判别器的攻防结构
先明确一下DCGAN的总体架构，这部分在论文里写得比较清楚，但还是值得用自己的话盘一遍。生成器输入一个100维的随机噪声向量，通过一系列转置卷积逐步上采样，最终输出64x64x3的图像。判别器则是标准CNN结构，输入图像，输出一个0到1之间的标量，表示输入图像“有多真”。
关键设计点有三个，每一个都有明确设计意图。第一，全卷积化。生成器和判别器里全部使用卷积层和转置卷积层，不引入全连接层。这么做的原因很实际：全连接层的参数太多，容易过拟合，而且会丢失图像的空间位置信息。第二，批归一化（Batch Normalization）加在除生成器输出层和判别器输入层之外的所有层上。批归一化能把各层输出拉回均值为0、方差为1的分布附近，明显缓解深层网络梯度消失的问题——在GAN这种训练极不稳定的场景下，这一招几乎是必需品。第三，激活函数的选用。生成器隐藏层用ReLU，输出层用Tanh；判别器隐藏层用LeakyReLU（负斜率0.2），输出层用Sigmoid。
这里有个容易被忽略的细节：输出层用Tanh意味着你要把训练图像像素值归一化到-1到1之间，而不是常见的0到1。我一开始没注意，直接拿0到1的图像去训练，生成结果一直偏暗，后来检查代码才发现的。这类细小但是致命的预设条件，论文里一句话带过，实操中却要踩一次坑才记得住。
2.2 上下文损失与感知损失的组合逻辑
有了生成器和判别器，怎么把它们组合成修复模型？这是整个毕设最核心的设计决策。
最直接的思路是：把缺失区域的图像直接送入生成器，让它输出完整图像。但这里有个问题——标准DCGAN生成器只接受随机噪声，你得先确定“哪一维噪声对应哪张图像”，这个约束本身就不成立。所以更可行的做法是“Encoder-Decoder”思路的变体：让生成器的输入不再是纯噪声，而是带缺失区域的图像。不过这已经偏离DCGAN的纯形式了。
另一个更经典的切入方式参考了Context Encoder的思路：不改变DCGAN生成器的输入输出结构，而是直接在损失函数上做文章。把完整图像经过掩码操作得到带孔图像，再通过某种方式与生成结果叠加，然后设计一个联合损失：
L = λ_context * L_context + λ_perc * L_perc
其中L_context通常是L1或L2损失，计算生成结果和真实图像在缺失区域的逐像素误差；L_perc是感知损失，即把生成图像和真实图像分别送入判别器（或预训练分类网络），取某一层特征做L2距离。
逐像素损失保证填充区域和真实内容的像素值接近；感知损失保证填充区域的“风格”和语义与整体图像协调。如果只用逐像素损失，生成结果往往是模糊的色块平均——因为L1/L2损失天然倾向于在多个可能正确的颜色之间取平均，产生平滑但不真实的纹理。加入感知损失之后，网络被要求“骗过判别器”，输出就必须具备更真实的统计特性，比如边缘锐利、纹理连续。
2.3 掩码策略：修复任务的关键变量
所谓掩码（Mask），就是标记图像中哪些区域需要修复的二值模板。掩码的设计直接决定了任务难度。
毕设阶段我采用了三种掩码策略，正好构成一组对比实验。第一种是中心方形掩码——把图像正中央的一块正方形区域整块挖空，最简单也最常用，方便和论文中已有结果对比。第二种是随机位置掩码——在图像任意位置放置一个固定大小的方形空洞，难度略高，因为模型不能依赖“空洞一定在中心”的先验信息。第三种是随机不规则掩码——用随机曲线生成不规则的孔洞，更接近真实场景中物体被遮挡或照片被划伤的情形。
掩码的尺寸也需要考虑。固定成整张图的1/4到1/3比较合适。太小了没有修复意义，传统方法也能做；太大了生成器输入信息严重不足，DCGAN这种浅层生成器扛不住。我实测下来，64x64的图像上挖一个32x32左右的中心孔，正好在“有点挑战但能学会”的区间。这个区间也方便拿DCGAN和传统方法做公平对比——传统方法在中等尺寸空洞上表现尚可，GAN方法优势不明显，但到更大空洞时差距就拉开了。
3. 从零开始构建修复实验的核心代码骨架
3.1 数据准备与掩码生成
训练一个够用的DCGAN修复模型，我用的是公开的自然图像数据集，统一缩放到64x64分辨率，并做了像素归一化。数据集不大，几千张图对我来说够用了——毕设重点在验证方法可行性，不在刷量。数据增强只用了随机水平翻转，没有做裁剪和旋转，因为GAN训练本身就不稳定，过多的数据增强反而让分布学习更难收敛。
掩码生成完全在数据加载阶段动态完成，每轮训练重新生成掩码，变相增加了数据多样性。中心方形掩码的生成很简单：确定空洞边长，算中心坐标，然后生成一个全0矩阵，把对应区域置为1。不规则掩码稍微麻烦一点，先用随机点做平滑曲线，再把曲线范围内的像素置为1。这里要注意，掩码的值域必须是{0, 1}，千万不能随手写成255，否则图像叠加的时候会出问题。
处理图像和掩码的时候，建议直接用Tensor或者NumPy数组处理，配合矩阵索引，十几行代码就够。这类数据处理尽量保持在GPU之外完成，因为它不是瓶颈——把GPU时间留给训练更划算。
3.2 生成器与判别器网络设计要点
我实现的生成器结构大体抄的DCGAN原版，但稍作修改以适配修复任务。原版生成器输入是100维噪声，我的做法是在输入端把带孔图像通过卷积下采样后与噪声拼接，再一起送入反卷积部分。这么做的好处是既保留了原始DCGAN的生成能力，又引入了缺失区域的上下文信息。
如果你不想改动输入结构，也可以用“两阶段生成”的思路：先用一个普通CNN粗修一版，再用DCGAN细化。但那样相当于多训练一个模型，工作量翻倍，作为毕设不太划算。我更推荐单生成器配合联合损失的方案——结构简单，容易跟理论对应。
判别器相对标准，不多讲。需要注意输出层的维度：常规DCGAN输出一个标量即可，但如果想让梯度更稳定，可以试试输出一个NxN的矩阵，对每个Patch单独判断真伪，这就是PatchGAN的思路。不过我实测在64x64分辨率下，标量输出已经够用，PatchGAN带来的提升有限，反而增加实现复杂度。毕设求稳的话，先跑标准结构。
3.3 训练循环的细节处理
训练GAN本质上是一个交替优化的过程。每一轮迭代里，先固定生成器、训练判别器，再固定判别器、训练生成器。交替训练的目的是让两个网络不断升级博弈水平，但如果任何一方训练过快，另一方就跟不上，整体就会崩溃——这是GAN训练不稳定的根源。
具体操作上，判别器的输入有三类：真实原图、生成器的修复结果、以及“用真实图像直接挖洞”的样本。训练判别器时，真实图对应标签1，修复结果对应标签0。训练生成器时，它只关心能否让判别器把修复结果判为1，同时加上上下文损失。
学习率我用的Adam优化器的默认值，但把学习率设为0.0002，这是DCGAN原论文中特别强调过的一个细节：不要用太大的学习率，否则判别器会迅速收敛到过于强大，导致生成器梯度消失。批大小取了64，在64x64分辨率下单卡显存完全吃得消。
另外，为了让训练更平稳，我还对生成器损失做了个小调整：不是直接最小化判别器的判断误差，而是最大化预测为真实图像的概率的对数。这是一个经典的小技巧，能改善早期梯度饱和问题。代码上往往就一两行的差异，但对训练曲线的影响很明显。
4. 训练与调参：那些论文里没写的实测教训
4.1 训练一开始loss不下降，问题出在哪
我第一版代码跑起来之后，生成器的损失基本不动，输出一片混沌的噪声。排查了一圈，问题竟然出在像素归一化上——图像被归一化到了[0, 1]，而生成器输出层是Tanh，取值范围是[-1, 1]。判别器面对两个尺度不一样的输入，直接学“自闭了”，不管生成器输出什么，它都能轻易区分出来。把输入图像改到[-1, 1]之后，损失一下子就活动了起来。
这个错误非常典型，几乎每个第一次做GAN的人都会碰到。在GAN体系里，“输入数据的分布形态”比在分类任务中敏感得多，因为判别器本质上是在做分布对比，你给它两个不同分布的数据，它就变成一个简单的“尺度识别器”，而不是语义判别器。所以动手训练之前，第一件事永远是确认生成器输出层和输入图像的取值范围一一对应。
4.2 生成结果偏模糊，如何调整损失权重
训练能跑通之后，下一个常见问题就是生成结果偏模糊，边缘不锐利。检查生成的修复图，整体颜色是对的，但细节像蒙了一层雾。这时候通常要考虑两点。
第一点，上下文损失权重过大。L1/L2损失天然偏好“平均”，如果上下文损失在总损失里占绝对主导，感知损失根本使不上力。我在实验里做了权重扫描，λ_context从1调到10，λ_perc从0.01调到1，最后发现λ_context=1、λ_perc=0.1这个组合在模糊度和真实性之间平衡得最好。但你直接抄我的值不一定最优，跟数据集复杂度、空洞大小都有关系，重点是你得理解这个调参方向。
第二点，生成器容量不够。DCGAN的生成器是几层反卷积堆起来的，如果图像本身纹理丰富，浅层网络学不出高频细节。你可以尝试加深通道数，比如从64通道起步翻倍到128，或者增加一层卷积。但因为毕设强调可复现性，不要一上来就大改结构，先用损失调权，效果不够再动容量。
4.3 判别器太强，生成器直接摆烂
训练后期还有个高概率事件是判别器“掉线”——它学会了一种简单粗暴的方式判断真假（比如直接看亮度平均值），生成器怎么努力都骗不过它，梯度反而失去指导意义。此时生成器的损失会持续上涨，但输出质量越来越差。
我在实验中遇到过一次明显严重的过拟合信号：判别器在训练集上准确率接近99%，但生成器输出的图像开始出现重复纹理的伪影，像是把训练集中的某个局部区域硬贴上去。解决办法有三个方向：一是给判别器加Dropout，削弱它的判别能力；二是用标签平滑——把真实图像的标签从1改成0.9，让判别器不要过于自信；三是训练判别器时降低每轮更新次数，比如每训练2轮生成器才训练1轮判别器。
其中标签平滑是投入产出比最高的一个操作，代码改动极小，却能显著降低训练后期的不稳定性。我三个方法都试了，最终保留的是标签平滑+判别器降频更新，组合效果最稳。
5. 评估指标与毕设答辩的展示思路
5.1 PSNR与SSIM的局限
毕设答辩的时候，评委老师最常问问题之一就是“你怎么量化你的修复效果”。这时候不能只说“看起来还行”，得有数据。
我用了两个最常见的指标：PSNR（峰值信噪比）和SSIM（结构相似性）。PSNR衡量的是像素级的误差，数值越高代表重建越接近原图，但它在感知相关性上很弱——一张整体加亮、稍微模糊的图可以拿到很高的PSNR，但人眼看着就是不对劲。SSIM引入了亮度、对比度和结构三个维度的比较，比PSNR稍微贴近人眼，但对纹理细节的敏感度依然有限。
所以在展示时我就强调一个观点：PSNR和SSIM是修复结果的“及格线”指标，不是“优秀线”指标。我用DCGAN修复出来的图，PSNR往往不如传统方法高，因为GAN会“发挥创造力”生成一些像素值不同但语义合理的纹理结构——这在指标上吃亏，但在人眼观感上反而更好。需要有意识地解释这个差异，不能回避。
为了证明这一点，我做了一组对比表格，把原图、掩码图、传统方法结果、DCGAN修复结果放在同一页幻灯片上，并标注各自的PSNR/SSIM。当评委看到DCGAN的指标略低但肉眼效果明显更好时，这个矛盾本身就变成了一个很好的讨论点。
5.2 可视化对比与消融实验的呈现技巧
毕设答辩的展示不只是念报告，更重要的是展示你做了哪些思考。我准备了三条线的对比结果：不同掩码尺寸下的修复效果对比、不同损失权重下的效果对比、以及与传统方法的对比。每条线都用并排四列图像展示，从左到右依次是原图、带掩码图、基线方法结果、我的方法结果。
这里有个很实用的排布技巧：把效果最好、视觉冲击力最强的三张图放在展示开头和结尾——第一印象和最后印象最是深刻。中间穿插指标曲线和失败案例。对，失败案例也要放。只展示成功案例会让答辩显得不够严谨，而“大块掩码下颜色出现偏色”“高纹理区域细节恢复不完整”这两个失败案例，恰恰可以引出你的后续工作方向，基本都是加分项。
消融实验方面，我做了两组：一是去掉感知损失，只保留上下文损失，结果纹理模糊；二是去掉上下文损失，只保留感知损失，结果颜色和结构出现失真险情。这两组对照足以说明“两者缺一不可”。这个实验的成本很低，但说服力很强——因为它直接支撑了你的核心设计决策。
5.3 答辩现场会用到的几个关键解释口径
整理几个我答辩时被问到的、也是最核心的问题，提前准备好回答口径就行，稳妥程度直接上升一个台阶。
第一个问题：“你的方法和Context Encoder有什么区别？”我的回答是：核心框架同源，都是编码-解码生成器加联合损失，但我在生成器输入端保留了原图上下文信息，而不只是用纯噪声生成，这减轻了生成器重建已知区域的压力，让它可以集中精力处理缺失区域。导师听完一般会点头。
第二个问题：“DCGAN已经是好几年前的模型，为什么毕设还选它？”回答要点有两个：其一，毕设的重点不是训练最大最新的模型，而是完整地理解生成式图像修复的原理链路；其二，DCGAN结构简单，更容易做可控的实验和分析——在此基础上替换骨干结构就是自然的后续工作。这个回答既诚实又显示了思考深度。
第三个问题：“你的方法在真实场景里能直接用吗？”这里就参照实际情况说明，坦诚说明局限：当前数据规模和分辨率是主要限制，但实验验证了方法的有效性，后续换用更大模型、在更高分辨率数据上训练以及自定义掩码生成策略，都是明确可行的方向。这种回答比吹牛更让评委信服。
6. 一些关于毕设项目管理的额外经验
说了很多技术细节，最后聊点项目管理的琐碎心得。毕设周期看起来长，实际能用的时间非常有限，前中期往往又被专业课占据。我的经验是：首先把进度按“四周死线”切块。第一周搞定数据管线和掩码生成，第二周跑通基础DCGAN训练，第三周加入修复模块和联合损失，第四周开始全套对比实验并整理数据。只要每周有实际产出，中期检查的时候就非常有底气。
另外一个容易踩的坑是实验记录。训练GAN的时候，每改一个参数就是一次新实验，如果不记录清楚超参数、数据和训练轮数，过一个星期回来看结果列表，完全不知道哪张图是哪一版跑出来的。我的做法是每次实验开始前生成一个带时间戳的文件夹，里面存一份配置文件，训练结束自动保存模型权重和损失曲线，这样一个文件夹对应一次完整实验，复盘的时候非常清楚。这个习惯从毕设第一天就该养成，后面写论文的时候能省一半时间。
最后，图像修复这个方向是真的能“越做越深”的，不只是交差。我在完成毕设后，又顺着这条线看了注意力机制、扩散模型的相关论文，整个生成式图像修复的脉络一下子就串起来了。如果你的毕设也选了类似题目，不妨多留一点时间给触类旁通，收获往往比完成项目本身更大。
