1.一种图像修复方法，其特征在于，包括：

采用第一卷积神经网络的编码层对待修复图像进行编码，获得第一高维隐层向量；

采用所述第一卷积神经网络的解码层对所述第一高维隐层向量进行解码，获得第二高维隐层向量；

将所述第二高维隐层向量加入第三高维隐层向量中，采用第二卷积神经网络的解码层对所述第三高维隐层向量进行解码，获得第四高维隐层向量；所述第三高维隐层向量为所述第二卷积神经网络的编码层对所述待修复图像进行编码获得的；

根据所述第四高维隐层向量，获得修复的图像。

2.根据权利要求1所述的方法，其特征在于，采用第一卷积神经网络的编码层对待修复图像进行编码，获得第一高维隐层向量之前，还包括：采用所述第一卷积神经网络的编码层对样本图像进行编码，获得第五高维隐层向量；

采用所述第一卷积神经网络的解码层对所述第五高维隐层向量进行解码，获得第六高维隐层向量；

将所述第六高维隐层向量加入第七高维隐层向量中，采用所述第二卷积神经网络的解码层对所述第七高维隐层向量进行解码，获得第八高维隐层向量；所述第七高维隐层向量为所述卷积神经网络的编码层对样本图像进行编码获得的；

根据第一训练图像、第二训练图像和参考图像优化所述第一卷积神经网络和所述第二卷积神经网络；所述第一训练图像根据所述第六高维隐层向量获得，所述第二训练图像根据第八高维隐层向量获得。

3.根据权利要求2所述的方法，其特征在于，根据第一训练图像、第二训练图像和参考图像优化所述第一卷积神经网络和所述第二卷积神经网络，包括：根据所述第一训练图像和所述参考图像获得第一损失值；根据所述第二训练图像和所述参考图像获得第二损失值；

将所述第一损失值和所述第二损失值相加，获得第三损失值；

根据所述第三损失值优化所述第一卷积神经网络和所述第二卷积神经网络。

4.根据权利要求1-3中任意一项所述的方法，其特征在于，所述第一卷积神经网络为U-Net卷积神经网络，所述第二卷积神经网络为U-Net卷积神经网络。

5.一种图像修复装置，其特征在于，包括：

第一编码模块：用于采用第一卷积神经网络的编码层对待修复图像进行编码，获得第一高维隐层向量；

第一解码模块：用于采用所述第一卷积神经网络的解码层对所述第一高维隐层向量进行解码，获得第二高维隐层向量；

第二解码模块：用于将所述第二高维隐层向量加入第三高维隐层向量中，采用第二卷积神经网络的解码层对所述第三高维隐层向量进行解码，获得第四高维隐层向量；所述第三高维隐层向量为所述第二卷积神经网络的编码层对所述待修复图像进行编码获得的；

修复执行模块：用于根据所述第四高维隐层向量，获得修复的图像。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括：第二编码模块：用于采用所述第一卷积神经网络的编码层对样本图像进行编码，获得第五高维隐层向量；

第三解码模块：用于采用所述第一卷积神经网络的解码层对所述第五高维隐层向量进行解码，获得第六高维隐层向量；

第四解码模块：用于将所述第六高维隐层向量加入第七高维隐层向量中，采用所述第二卷积神经网络的解码层对所述第七高维隐层向量进行解码，获得第八高维隐层向量；所述第七高维隐层向量为所述卷积神经网络的编码层对样本图像进行编码获得的；

优化模块：用于根据第一训练图像、第二训练图像和参考图像优化所述第一卷积神经网络和所述第二卷积神经网络；所述第一训练图像根据所述第六高维隐层向量获得，所述第二训练图像根据第八高维隐层向量获得。

7.根据权利要求6所述的装置，其特征在于，所述优化模块包括：第一损失值计算单元：用于根据所述第一训练图像和所述参考图像获得第一损失值；

第二损失值计算单元：用于根据所述第二训练图像和所述参考图像获得第二损失值；

第三损失值计算单元：用于将所述第一损失值和所述第二损失值相加，获得第三损失值；

第三损失值利用单元：用于根据所述第三损失值优化所述第一卷积神经网络和所述第二卷积神经网络。

8.根据权利要求5-7中任意一项所述的装置，其特征在于，所述第一卷积神经网络为U-Net卷积神经网络，所述第二卷积神经网络为U-Net卷积神经网络。

9.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。

10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。