Las pinturas chinas tienen una gran importancia cultural y artística y son conocidas por sus líneas delicadas y texturas ricas. Lamentablemente, muchas pinturas antiguas han sido dañadas debido a factores históricos y naturales. Los métodos de aprendizaje profundo que son exitosos en la restauración de imágenes naturales no pueden aplicarse al rellenado de pinturas antiguas. Por lo tanto, proponemos un modelo llamado Edge-MSGAN para rellenar pinturas antiguas chinas basado en la guía de bordes y bloques residuales a múltiples escalas. Edge-MSGAN utiliza imágenes de bordes para dirigir la red de completado con el fin de generar pinturas antiguas completas. Luego aplica la red de corrección de color de múltiples ramas para ajustar los colores. Además, el modelo utiliza bloques residuales de atención de canal a múltiples escalas para aprender las características semánticas de las pinturas antiguas en varios niveles. Al mismo tiempo, mediante el uso de autoatención polarizada, el modelo puede mejorar su concentración en estructuras significativas, bordes y detalles, lo que lleva a pinturas que poseen líneas claras y detalles intrincados. Finalmente, hemos creado un conjunto de datos para el relleno de pinturas antiguas y hemos realizado experimentos para evaluar el rendimiento del modelo. Después de comparar el modelo propuesto con modelos de vanguardia desde aspectos cualitativos y cuantitativos, se encontró que nuestro modelo es mejor para rellenar la textura, el borde y el color de las pinturas antiguas. Por lo tanto, nuestro modelo logró valores máximos de PSNR y SSIM de 34.7127 y 0.9280 respectivamente, y valores mínimos de MSE y LPIPS de 0.0006 y 0.0495 respectivamente.