企业官网建设流程全解析

毕设选了“基于深度学习的图像修复算法”，底层结构落在DCGAN上，这个选题我比较熟。这几年图像修复从传统的偏微分方程、PatchMatch一路演进到GAN、扩散模型，但毕设层面DCGAN依然是最合适的切入点——它把对抗训练、卷积架构、潜在空间映射这几个核心问题都覆盖了，既不会浅到没东西写，又不会难到几个月跑不出结果。这篇文章不打算复述论文公式，就按我实际调试一台图像修复模型的完整过程来写，包括网络怎么搭、损失怎么配、数据怎么喂、训练崩了怎么救，最后再说说毕设答辩时导师最关心的几个点。

1. 图像修复为什么需要GAN，以及DCGAN到底改了什么

1.1 图像修复任务到底在解决什么问题

图像修复，英文里常叫Image Inpainting，指的是图像缺失区域的补全。现实场景大概是三类：老照片扫描出来有折痕、划痕，仰拍建筑照片里出现碍眼的电线杆，或者被水印、Logo遮挡的文字图片。任务定义很直接：给定一张带有掩码（Mask）的残缺图，模型要把掩码覆盖的像素重新生成出来，并且要求结果在视觉上足够自然——纹理连续、边缘对齐、光照一致。

如果只用传统方法，问题会变得很棘手。以PatchMatch为例，这类方法从图像已知区域里寻找相似纹理块，再复制填充到缺失区。遇到天空、墙壁这类重复纹理，效果不错；可一旦缺失区域落在眼睛、嘴角这类高语义区域，PatchMatch基本无能为力——它没有“理解”五官应该怎么摆放，只是机械地把纹理搬过去。所以深度学习方法的目标很明确：让模型从大量数据里学到“缺失区域应该长什么样”的先验，再反过来补全。

1.2 为什么朴素CNN不够，而GAN能胜出

有人会问，用纯卷积网络做回归行不行？行，但结果往往“糊”。朴素的CNN图像修复模型本质上是在做一个逐像素回归任务，损失函数通常是L1或L2距离，这两类损失倾向于把预测值拉向所有可能结果的平均。眼睛有上百种合理画法，模型一平均，轮廓是有了，细节全没了，出来的就是一块蒙了层雾的区域。

GAN的思路是换一种监督信号：不再告诉生成器“每个像素应该等于哪个值”，而是让一个判别器去打分，“这张图看起来像不像一张真实的完整图”。对抗训练逼迫生成器产出足够锐利、足够真实的图像才能骗过判别器。这正好补上了回归模型“细节糊”的短板。所以图像修复里GAN能成为主流方案，本质是监督方式的胜利，而不是网络深度或参数量的胜利。

1.3 DCGAN给GAN带来的关键改进

DCGAN全称Deep Convolutional GAN，它并不是一种全新的图像修复模型，而是把GAN的生成器和判别器都换成了卷积结构，并且做了一系列稳定性改进。核心改动包括：去掉全连接层，改用全卷积网络；生成器用转置卷积上采样，判别器用带步长的卷积下采样；每个卷积层后接BatchNorm，同时生成器输出层用Tanh、判别器最后一层不用BatchNorm；激活函数方面，生成器用ReLU（输出层用Tanh），判别器用LeakyReLU。

这些改动直接决定了毕设能不能在有限算力下跑通。全连接层的参数量大又难以学到空间结构；不加BatchNorm很容易出现梯度爆炸；如果用普通ReLU做判别器，负区间的梯度被截断为0，生成器很容易通过“制造极暗像素”来骗过判别器。DCGAN把这些问题逐一堵上之后，训练稳定性和出图质量都有了质的提升。现在回看，我选DCGAN作为毕设底层，不是因为它最强，而是因为它最“稳”——训练曲线可解释，调参路径清晰，出了问题也好定位。

2. 训练之前必须搞懂的四个核心组件

2.1 生成器结构：从噪声到图像的转置卷积之路

在图像修复任务中，生成器的输入不是纯噪声，而是“残缺图像+掩码”的拼接。常见的做法是把3通道的残缺图和1通道的掩码在通道维上拼接，得到一个4通道输入，然后经过编码器-解码器结构。编码器逐步下采样，把图像压缩到低分辨率的高维特征；解码器再通过转置卷积逐步还原分辨率。

设计生成器时，最关键的是通道数变化和下采样次数。我实际用的结构大致是：输入4通道，经过Conv-BN-ReLU下采样到64通道，两次下采样后到256通道，空间尺寸从256×256缩到64×64，再通过转置卷积逐级上采样回256×256，最后接一层Tanh把输出映射到[-1,1]。需要注意转置卷积的kernel size、stride和padding需要匹配，否则会出现输出尺寸对不上的问题。一个常用的检查方式是：size_out = (size_in - 1) * stride - 2 * padding + kernel_size。

我在调整结构时踩过一个很典型的坑：把编码器下采样次数设得太多，比如一路下采样到16×16，生成器需要从极小的特征图里恢复出256×256的图像，结果细节完全丢失，只能靠记忆化生成纹理，修复区域全是重复的斑块。对256×256输入，下采样到64×64或32×32是相对合理的区间。

2.2 判别器结构：用感受野衡量伪造痕迹

判别器不需要恢复图像，它只需要输出一个概率分数。但需要注意的是，图像修复里的判别器通常不是对所有像素做全局判断，而是做PatchGAN式的局部判别。PatchGAN把图像切分成N×N个patch，对每个patch独立判断真伪，最后取平均。这样做的好处是两个：一是局部真实性比全局真实感更容易学；二是感受野的设计让判别器更关注纹理细节，而不是纠结整幅构图。

实际实现时，我用的判别器输入是“拼接图”或“生成图”的单张三通道图，经过4个卷积块逐步下采样，每层通道数从64翻倍到512，最后通过一个1×1卷积把特征映射成单通道响应图，再取均值作为判别分数。这里有个细节：BN层在判别器里不是万能的。DCGAN论文里也提到判别器第一层不加BN，否则输入分布会被提前规范化，边缘信息容易丢失。我在实验里对比过，加上BN之后显存占用略增，收敛速度也没明显变化，索性遵循原设计。

2.3 损失函数：对抗损失不是唯一的监督信号

如果只用对抗损失训练图像修复模型，训练会非常不稳定，原因是梯度信号缺少“恢复正确性”的引导。对抗损失只告诉生成器“你骗不过我”，但没告诉它“哪块区域错了、错在哪里”。所以我加了内容损失（重建损失），用L1距离约束生成图与真实图之间的差距。L1比L2更常用，因为L2会惩罚大误差，模型倾向于输出保守的平滑结果，而L1在细节保持上更有优势。

最终的损失函数是：

Loss = L1_loss(G(x), y) + λ * L1_loss(D_fake, 1) + 判别器的二分类交叉熵损失

λ一般设置为10。这里要补充说明：内容损失不只作用在整幅图像上，还要单独对掩码区域计算一次L1损失。否则模型学会了“只补齐非掩码区也能降低全局损失”——它会把已知区域画得几乎完美，而缺失区域随便糊弄一下，因为缺失区域只占图像的一小部分，对总损失影响有限。我当时用掩码把生成图切割出来单独算损失，这个改动直接让修复边界干净了很多。

关于LSGAN和WGAN-GP，很多人会在毕设里问要不要换。DCGAN原始论文用的是普通BCE损失，但普通对抗损失存在梯度消失的风险——当判别器过于自信时，生成器拿不到有效梯度，训练僵死。我实际训练中遇到过此问题，最后把损失函数换成了LSGAN的最小二乘形式，也就是把判别器输出经BCE换成MSE。LSGAN的梯度在判别器饱和时依然存在，训练稳定性有明显提升。如果时间充裕，也可以试WGAN-GP，但实现起来要多写梯度惩罚项，作为毕设系统而言，LSGAN的性价比更高。

2.4 超参数：Adam不背锅，背锅的是你没调好它

DCGAN训练中最容易被忽视的就是超参数选择。Adam是默认选择，但学习率的设置非常敏感。我训练初版时用了默认的0.001，前500步还行，到中期生成器和判别器loss开始交替震荡，图像出现大面积重复纹理。后来把学习率降到0.0002，再配合Beta1=0.5、Beta2=0.999，训练曲线明显平滑。Beta1=0.5是DCGAN论文中特别强调的：默认Beta1=0.9时，动量的滑动平均太大，生成器容易震荡。如果你发现训练到一半loss起伏不定，先检查学习率，再检查Beta1。

批量大小也会影响训练。在单块消费级显卡上，我用8作为默认batch size，256×256输入下显存占用大约10GB左右。batch size太小会导致每个batch的梯度方向跳动太大，判别器不稳定；太大又会让每次迭代时间过长。如果显存紧张，优先考虑缩小生成器通道数，而不是降低batch size。

3. 数据集准备与预处理：细节决定成败

3.1 数据从哪里来，怎么选

图像修复的数据集一般有两类选择：一是真实损坏图（老照片扫描件、带水印的图），二是正常图加掩码合成的数据。毕设建议选第二种，因为真实损坏图没有对应的“原图”作为监督标签，无法计算重建损失。合成数据的方式是：从数据集中随机取一张完整图，叠加一个随机生成的掩码，然后把掩码区域的像素置为0或噪声，形成了一个带标签的训练对。

数据集规模上，我用的CelebA-HQ子集大约2万张人脸图，对毕设来说足够了。如果做通用场景修复，可以用Places2，但10万张的规模对训练时间和显存压力都比较大。实操中还有一个取巧的办法：先用小幅图像、少量数据把训练流程跑通，确认没有bug之后再切到全量数据。我建议直接用一批20张图做冒烟测试，观察loss是否能在正常范围内变动，再决定是否全量运行。

3.2 掩码生成：别让模型在“容易题”上偷懒

掩码的形状直接决定模型学到的修复能力。如果掩码全是小方块或细线，模型只要学会周围插值就能蒙混过关；如果全是覆盖半个脸的大面积掩码，模型又难以生成合理结构。毕设中需要覆盖多样化的掩码类型。我的做法是生成三种掩码：小型随机多边形，用于模拟划痕和破损；中等面积的矩形或不规则形状，模拟遮挡；以及覆盖重要区域的半脸掩码，模拟大面积缺失。三种掩码在训练中按3:4:3的比例混合输入。

数据增强方面，我用了随机水平翻转和轻微旋转，但要注意一点：人脸数据翻转后依然是合理人脸，但如果是带方向性的场景（比如文字图像、交通标志），翻转就会制造错误标签。增强策略要跟着任务走，不能无脑套用。另一个容易被忽略的是像素归一化：图像输入网络前要缩放到[-1,1]区间，也就是 (img / 255) * 2 - 1，这会跟生成器输出的Tanh范围匹配。掩码通道保持0和1即可，不需要归一化。

3.3 训练集与验证集的划分细节

训练集和验证集的划分不能简单随机。我最初做法是随机划分，结果发现验证集loss很低，但实际修复效果不行——原因是数据集中存在大量相似样本，随机划分导致验证集与训练集高度重叠。后来我改成按身份划分：同一张脸只出现在训练集或验证集其中一边，评估才真正反映泛化能力。

验证评估还要注意固定掩码：每次评估用同一批掩码，才能横向比较不同训练阶段的效果。否则每次验证用的掩码不一样，loss浮动会掩盖模型真实的进步水平。我当时在验证时固定了8组掩码模板，每次只换图像不换掩码，这个细节让训练曲线变得可解释得多。

4. 实操训练：从搭建到收敛的完整过程

4.1 模型搭建与训练循环

搭建环节我用PyTorch，原因是有灵活的autograd和较快的迭代速度。生成器和判别器都定义成标准的nn.Module子类。训练循环的核心在于处理“真实图-生成图-判别器”三者的更新顺序。一个常见的错误是误将更新判别器的loss也用来更新生成器，导致生成器梯度走向混乱。正确流程是：先固定生成器，用真实图和生成图更新判别器；再固定判别器，用生成图经过判别器得到的分数更新生成器。这里涉及一个细节：判别器d_output = D(img_fake)，更新生成器时，梯度应只回传到生成器参数，这可以通过将fake_img脱离计算图或只在生成器参数上调用optimizer.step()来实现。PyTorch中通常用分别维护两个optimizer来规避此问题。

训练中我设定每轮迭代先训练判别器再训练生成器。判别器更新步数在默认情况下是1，但有时候我会在训练前半程让判别器多更新一步，让判别器先学好判断能力，再让生成器与更成熟的判别器对抗。需要说明，这个做法并非越强越好：判别器太强，生成器梯度几乎为0，训练反而停滞。

4.2 训练过程实录

训练初期（约500步以内），判别器loss快速下降，生成器loss上升，这是正常现象。中期（2000步左右），生成器开始输出有结构的内容，但边缘仍有模糊。到8000步左右，生成图已经能看出清晰的五官轮廓，只是纹理细节还不够真实。我在约80个epoch时得到一版最佳模型，训练时长大约16小时，输入为256×256的CelebA-HQ子集。

这里分享一个我在训练中总结的监控习惯：除了记录loss，还要定期把生成图保存下来看。人的视觉反馈比loss曲线更直观，尤其当loss在下降但图像模糊时，说明模型陷入了“平均化”陷阱，需要调高对抗损失权重。

4.3 评估指标怎么选：PSNR和SSIM的局限

毕设论文中评估指标一般会用PSNR和SSIM。PSNR衡量像素误差，越高越好；SSIM衡量结构相似性，越接近1越好。但还是那句话，这两个指标与真实视觉感受相关，但并非完全一致。我见过PSNR很高但图像边缘出现了明显振铃效应的例子，也见过SSIM不错但颜色整体偏移的结果。原因是这两个指标都没有建模“语义是否合理”这一维度。因此在毕设实验中，我会同时提供三种评估：PSNR、SSIM以及人工主观评分。人工评分虽然听起来不够“硬核”，但在图像修复领域是标准做法之一，导师不会觉得它不专业。

指标计算也有讲究。评估时要先使生成图的尺寸和数据范围与真实图完全一致，再调用skimage.metrics.structural_similarity计算SSIM，psnr用10 * log10(1 / MSE)计算，其中1表示像素范围上限。如果在[0,255]范围内计算PSNR，公式里的分母要换成255的平方，不统一会导致指标偏大或偏小，答辩时容易被追问。

5. 常见问题与排查技巧实录

5.1 训练不收敛：loss震荡不止怎么办

最常见的情况是训练到中期loss忽高忽低，图像始终模糊。排查路径有四个：第一，确认图像和掩码的归一化范围是否一致——我遇到过批次内图像被归一化两次的情况，整个输出都偏暗；第二，检查学习率是否过高，把学习率从0.0002继续降到0.0001，同时观察一个完整epoch的损失曲线；第三，确认生成器是否用了Tanh作为输出层，如果输出层的激活函数配错，判别器无法准确判断数据分布；第四，确认判别器最后一层是否没有加BN或激活函数，保持输出为线性值。

5.2 模式坍塌：生成图变得千篇一律

当生成器发现某一种输出特别容易骗过判别器时，它会“偷懒”，把所有输入映射到同一个样式的输出。出现模式坍塌时，修复区域会呈现重复的纹理或者统一偏灰的外观。我的解决方法是引入LSGAN损失，并且将batch size从4提高到8，让判别器在每个batch里看到更多样本，有利于稳定估计分布。如果还是坍塌，试一下给生成器的输入拼接区域稍作数据增强（如给非掩码区域添加少量高斯噪声），削弱生成器对已知区域的过度依赖。

5.3 边缘伪影：修复边界处颜色突变

修复区域边缘出现的明显色带或接缝，是图像修复的常见问题之一。出现原因往往是内容损失在整图上权重过大，模型优先优化非掩码区域，而掩码边界附近约束不足。我采取的补救方法是：生成图与真实图的损失计算时，对掩码边缘区域做冲淡处理（dilate mask），让边界处的梯度信号更强；或者简单粗暴地提高掩码区域的权重，比如在实现中将L1损失函数在掩码区域乘以一个5~10的系数。

另外，如果生成图是整图作为判别器输入，而掩码是随机的，判别器可能学会“只看掩码边界”来判定真伪，导致修复边缘更加突兀。为避免这个问题，可以让生成图在进入判别器前经过一次轻微的高斯模糊或随机裁剪，迫使判别器关注整体纹理而不是边界几何。

5.4 常见问题速查表

6. 作为毕设，还能往哪些方向做深

6.1 从DCGAN走向条件生成与注意力机制

如果只停留在把DCGAN当作核心模型反复调参，毕设深度会显得单薄。我建议在基线模型基础上做两个扩展：第一个是基于局部条件的生成，比如把掩码区域的位置编码（positional embedding）加到特征图中，让模型知道“缺失区域在哪、周围有什么”；第二个是引入自注意力层，在生成器的低分辨率层后添加一个Self-Attention模块，让模型能在远距离像素之间建立联系，对人脸这种对称性明显的任务尤其有效。自注意力模块实现难度不大，几十行代码就能完成，但效果和论文创新点都提升明显。

6.2 从单阶段生成到粗到精两阶段修复

另一种有效扩展是两阶段修复。第一阶段用浅层网络快速生成一个粗糙修复结果，第二阶段把粗糙结果与原始残缺图拼接，再送入细化网络精修。这样做的理由很朴素：单阶段网络要同时完成“语义猜测”和“细节生成”，任务过重；拆开后每一阶段的任务更单纯，训练更稳定。编解码器的责任也能划分清楚，精修阶段可以专注纹理和边缘。两阶段结构写进论文里，就是“由粗到精的修复框架”，比直接套用原始DCGAN更有说服力。

6.3 答辩时的加分细节

毕设答辩中，导师大概率会问三个问题：为什么用GAN而不是纯CNN？训练为什么不收敛你怎么办？你的模型和已有方法相比提升在哪？提前准备对应的图和数值就能从容应对。最好整理一张对比表：DCGAN基线、DCGAN+自注意力、DCGAN+两阶段修复，三者在PSNR、SSIM和主观评分上的差异。哪怕提升只有0.3dB，只要有清晰的消融实验和趋势分析，就已经接近一篇合格毕设的工作量。

我个人在整理实验记录时还有一个习惯：把每个epoch的生成图拼成视频或网格图，答辩PPT里直接放几组关键帧，比放100行公式更直观，导师也更容易理解你做了什么。

图像修复这个坑，看起来不大，但实际做下来涉及的细节非常多。整个训练周期里，模型结构调整、损失函数设计、掩码策略、评估指标这些问题都会依次冒出来，每一个都需要实际动手才能理解背后的权衡。DCGAN虽然已经不是最新的方法，但它作为理解对抗生成网络和图像生成任务的地基，意义非常扎实。如果时间允许，把中间每个踩坑节点都记录下来，后面写论文、做答辩PPT的时候就是现成的一手素材，比临时补实验靠谱得多。