随着图像生成和处理技术的发展,基于深度学习的图像修复技术取得了令人瞩目的成果。特别是在修复过程中对全局上下文的强调使网络能够以低分辨率生成大致准确的粗修复结果。然而,如何更好地实现高分辨率下的高质量纹理填充仍然是一个具有挑战性的问题。为了解决这个问题,大多数方法设计两阶段网络来分别实现结构和纹理恢复。但面对大规模掩模时,生成的纹理仍然存在模糊和伪影。因此,为了实现大规模掩模图像的修复并生成更加精细的纹理,本文提出了一种用于大型掩模修复的端到端生成对抗模型,称为全景特征聚合网络(PFAN)。首先,本文设计了一种欧几里德注意力机制(EAM),它利用编码器特征来生成低分辨率结构恢复。然后在解码器中提出特征聚合合成块(FASB)来实现高分辨率复杂纹理填充。凭借这两个模块的全局感受野,即使在大规模掩模下,纹理填充也能获得令人满意的性能。在CelebA-HQ、Paris Street View和FFHQ数据集上的实验表明,该方法具有优越的性能。