非规则缺失区域的图像修复技术用途广泛但具有挑战性。针对现有修复方法对高分辨率图像可能会产生伪影、扭曲结构和模糊纹理的问题，提出一种融合监督注意力模块（SAM）和跨阶段特征融合（CSFF）的图像修复改进网络（Gconv_CS）。在Gconv的两阶段网络模型上，引入了SAM与CSFF模块。SAM通过提供真实图像监督信号，监督上阶段输出特征，确保传入下阶段特征信息的有效性。CSFF将上阶段编码器-解码器的特征融合后送入下阶段的编码器，以弥补上阶段修复中特征信息的损失。实验结果表明，在缺失区域占比为1%~10%时，相较于基线模型Gconv，Gconv_CS在CelebA-HQ数据集上峰值信噪比（PSNR）和结构相似性指数（SSIM）分别提高了1.5%和0.5%，Fréchet起始距离（FID）和L1损失分别降低了21.8%、14.8%；在Place2数据集上，前2个指标分别提高了26.7%和0.8%，后2个指标分别降低了7.9%、37.9%。将Gconv_CS用于去除大熊猫面部遮挡物时，取得了较好的修复视觉效果。
