1.基于多粒度空洞卷积神经网络的图像修复方法，其特征在于，包括以下步骤：S1.将数据集划分为训练集和测试集，并进行预处理，构造待修复图像IS2.将训练集中待修复图像IS3.将特征图F

S4.通过级联多个多粒度残差模块，构成多粒度特征提取模块，得到特征图FS5.将特征图F

S6.计算损失，通过图像级损失及特征级损失进行参数优化。

2.根据权利要求1所述的基于多粒度空洞卷积神经网络的图像修复方法，其特征在于，在步骤1中，所述预处理包括：将图像像素值规范化到[-1，1]区间，采用插值方法将图像缩放至统一的空间分辨率；

所述构造待修复图像I

其中，I

3.根据权利要求1所述的基于多粒度空洞卷积神经网络的图像修复方法，其特征在于，在步骤2中，所述编码器由三个卷积模块实现，每个卷积模块由卷积层、批标准化层及ReLU激活函数层组成，第一个卷积模块的卷积步长设置为1，第二个和第三个卷积模块的卷积步长设置为2，实现对特征图的降采样。

4.根据权利要求3所述的基于多粒度空洞卷积神经网络的图像修复方法，其特征在于，步骤3具体过程如下：S31.将特征图F

F

其中，f

S32.将特征图F

F

其中，f

S33.将细粒度特征图和粗粒度特征图在通道维度进行级联，再输入到1×1的卷积层fS34.对卷积特征图F

S35.将权重向量A作用于卷积特征图F其中，

5.根据权利要求4所述的基于多粒度空洞卷积神经网络的图像修复方法，其特征在于，步骤S34具体过程如下：(1)对卷积特征图F

其中，H和W表示特征图的高和宽；

(2)对通道描述D进行降采样和上采样操作，其计算公式为：D′＝f

其中，f

(3)将D′输入到激活函sigmoid层，得到通道相关的权重向量A。

6.根据权利要求5所述的基于多粒度空洞卷积神经网络的图像修复方法，其特征在于，步骤5中，所述的通道自适应上采样卷积模块具体过程如下：S51.将特征图F

S52.对特征图F′

S53.对特征图F

S54.将特征图F′

7.根据权利要求6所述的基于多粒度空洞卷积神经网络的图像修复方法，其特征在于，步骤6具体过程如下：S61.所述图像级损失包括L其中，I为模型生成的图像，IS62.所述特征级损失包括特征重建损失L其中，

S63.将不同损失项加权得到总体损失函数：L＝λ

其中，λ

S64.通过损失值计算模型梯度，并更新模型中的参数。