Para abordar el desafío de conjuntos de datos de fotos antiguas dispersas, aplicamos aprendizaje por transferencia a tareas de completado de imágenes. Específicamente, mejoramos una red de completado de imágenes de dos etapas que se enfoca en subtareas colaborativas. También diseñamos un módulo de transformación basado en la agregación cruzada de ventanas para mejorar la adquisición de información contextual a larga distancia en el completado de imágenes y mejorar la integridad de las imágenes en términos de estructura y textura. Nuestra red de dos etapas mejorada tiene un rendimiento de reparación significativamente mejor en comparación con los métodos comunes actuales de completado. Además, aplicamos técnicas de aprendizaje por transferencia utilizando la red de completado de imágenes de dos etapas mejorada como red base y desacoplando el generador en un extractor de características y clasificador, que consisten en un codificador y un decodificador, respectivamente. Obtenemos un extractor de características invariante de dominio a través del entrenamiento de juegos minimax utilizando datos de dominio fuente y objetivo. Este extractor de características puede combinarse con el codificador original para restaurar imágenes de fotos antiguas. Para verificar la efectividad de nuestro enfoque, realizamos experimentos comparativos. Nuestros resultados muestran que los índices de PSNR, SSIM y FID del modelo que utiliza aprendizaje por transferencia son un 11.8%, 2.96% y 44.4% más altos que los que no utilizan aprendizaje por transferencia, respectivamente. Estos hallazgos sugieren que aplicar técnicas de aprendizaje por transferencia puede ser una solución efectiva para abordar el desafío de conjuntos de datos de fotos antiguas dispersas en tareas de completado de imágenes.