امروزه پردازش تصویر، خصوصا تشخیص چهره در زندگی روزمره مردم اهمیت بسیار زیادی کسب نموده است. به طوری که خیلی از سخت افزارها مانند اسمارت فونها، کامپیوترها، کمپانی های بزرگ و ... احرازهویت خود را از طریق تشخیص چهره انجام میدهند. در مکانهایی که رفت وآمد نسبتا بالا است، به دلایلی مانند بزرگنمایی، نور بیشاز حد، زاویه نامناسب و... تصاویر چهره به صورت ناقص ثبت میگردند، همین امر باعث میشود که عمل تشخیص چهره با یک چالش بزرگ مواجه شود و احتمالا شناسایی نهایی صورت نگیرد. در سیستمهای تشخیص چهره بسیار مهم است که ضمن سرعت بالای ورود داده، تشخیص چهره در ضریب قابل اطمینانی انجام و البته بهدرستی صورتپذیرد و در کنار این دو فاکتور، قابلیت یادگیری ماشین جهت بهبود و به روزرسانی پایگاهداده نیز وجود داشته باشد. محققین روشهای متفاوتی مانند شبکههای عصبی، موجک گابور، تجزیهوتحلیل مولفههای اصلی و... را بررسی نمودهاند، اما هرکدام از روشهای ذکر شده دارای یکسری نقاط ضعف هستند که تا به امروز سعی در رفع نقاط ضعف آنها شده است. یکی از بهترین الگوریتمها(شبکه عصبی) تحت عنوان GANکه در سالهای اخیر مناسبترین کارایی را در تشخیص چهره داشته است، سعی شده است با تفکیک اجزاء چهرههای ناقص و مقایسه نظیربهنظیر، تاحدودی میزان درصد تشخیص را در دادههای ناقص افزایش دهد و همزمان بهصورت خودکار، پروتکل یادگیری خودکار ماشین نیز انجام شود. هدف نهایی در این پژوهش بهبود کارایی الگوریتم GANدر حوزه تصاویر ناقص با استفاده از مقایسه اجزاء یک چهره میباشد. همچنین بهدلیل اینکه میزان پردازش سیستم و زمان صرف شده در این نوع بررسی بهدلیل مراحل تفکیک اجزا در لایه ورودی، مقایسه اجزاء در لایه پردازش و پاسخ نهایی در بالاترین سطح قرار دارد، سعی شده است با انتخاب یک زبان برنامه نویسی مناسب و بهینه سازی الگوریتم پیشنهادی، این دو فاکتور در بهترین حالت یعنی (مدیریت منابع سختافزاری و پایینترین زمان پردازش) قرارگیرند.
