针对现有图像修复模型修复大面积不规则缺损图像效果不佳、计算资源消耗大的问题，提出了一种CSWin-Transformer与可形变卷积残差密集网络相结合的图像修复方法。首先，构建一个由全局层网络和局部层网络组成的生成模型，利用全局层CSWin-Transformer模块的条纹窗口在较低的计算复杂度下获取更大的感受野，增强其图像特征提取能力；其次，在CSWin-Transformer中加入一种新的门控深度卷积前馈网络，其能够进行有选择性的特征转换，即过滤掉信息量不足的特征，仅保留有价值的信息继续在网络的层级结构中流动；然后，通过并行局部层的可形变卷积残差密集块灵活对图像进行采样，增强结构纹理修复的精确度，同时，在上述并行生成模型之间，构建共享的注意力机制来促进全局和局部特征之间的信息交流；最终，采用谱归一化的马尔科夫判别模型进行对抗性训练。实验结果表明，提出的方法相较于其他方法在PSNR和SSIM指标上分别提升了2.47dB和0.0752，在LPIPS指标上下降了0.0924。
