生成对抗网络的发展与挑战

生成对抗网络（Generative adversarial network, GAN）由生成模型和判别模型构成,生成模型获取真实数据的概率分布,判别模型判断输入是真实数据还是生成器生成的数据,二者通过相互对抗训练,最终使生成模型学习到真实数据的分布,使判别模型无法准确判断输入数据的来源。生成对抗网络为视觉分类任务的算法性能的提升开辟了新的思路,自诞生之日起至今已经在各个领域产生了大量变体。本文的主要内容包括：生成对抗网络的研究现状、应用场景和基本模型架构,并列举了生成对抗网络本身所存在的弊端;从网络架构、损失函数和训练方式这三方面对生成对抗网络的各种主要典型发展进行归纳;详细总结和分析了生成对抗网络在人脸图像生成和编辑、风格迁移、图像超分辨率、图像修复,序列数据生成、视频生成等各个应用领域的算法以及对应算法的优缺点;介绍了生成对抗网络的常用评价指标并且分析了这些指标的适用场景和不足之处;最后从多个方面对生成对抗网络所面临的挑战进行了讨论,并指出了对其可能的改进方向。     

固定移动网络融合新技术-GAN

介绍了GAN的基本概念、产生的背景、GAN的技术和标准，以及在GAN测试中面临众多新的挑战，为固定移动融合的发展提供了新的概念和新的商业模式。     

生成对抗网络人脸生成及其检测技术研究

随着AIGC的突破性进展,内容生成技术成为社会关注的热点。文章重点分析基于GAN的人脸生成技术及其检测方法。首先介绍GAN的原理和基本架构,然后阐述GAN在人脸生成方面的技术模式。重点对基于GAN在人脸语义生成方面的技术框架进行了综述,包括人脸语义生成发展、人脸语义生成的GAN实现。接着从多视图姿态生成、面部年龄改写、人脸的属性风格生成三个方面展开详细的阐述,并从政策法规、检测技术两个方面对伪造生成人脸图片的检测方法进行了分析。文中将检测技术分成基于深度学习、基于物理、基于生理学、基于人类视觉四个方面,最后对检测技术未来方向进行了展望。     

面向SAR图像处理的生成式对抗网络应用综述

针对缺少合成孔径雷达(Synthetic Aperture Radar,SAR)目标图像数据导致的识别网络难以训练的问题,总结了现有的基于深度学习方法的解决方案。归纳了现阶段生成式对抗网络(Generative Adversarial Network,GAN)的发展情况,以及主要的衍生模型及其特点与优势。综述了GAN在SAR图像生成与风格迁移两方面的应用情况,并合理分析了应用中的技术难点和问题。最后结合深度学习的发展趋势,展望了GAN在SAR智能解译方面的应用。     

基于图像纹理渲染的智能绘画效果生成算法设计

针对计算机智能绘画算法模型在纹理细节处理上效果不佳的问题,文中提出了一种基于图像纹理渲染的智能绘画算法。该算法以生成对抗神经网络为基础,设计了分层融合生成对抗神经网络架构。并利用结构GAN生成了一幅具有图像结构线条的图片,且将输出的图像与均匀分布的噪声作为纹理GAN的输入数据。通过纹理GAN融合图像的结构与纹理特征,进而渲染生成逼真的图像。测试结果表明,利用该种算法绘制出的素描图像纹理清晰、形象逼真,且在定量分析中IS指标达到了2.31,高于其他对比算法。     

基于改进的U-Net生成对抗网络的图像翻译算法

针对传统生成对抗网络(Generative Adversarial Networks,GAN)在图像翻译过程中生成图像的轮廓、纹理等特征丢失以及造成图像翻译效果不佳的问题,提出了基于改进U-Net模型的生成对抗网络图像翻译算法。首先,实验研究Pix2Pix生成对抗网络优化算法、学习率以及迭代次数对图像翻译效果的影响,确定生成对抗网络模型参数与优化方法;其次,通过增加反卷积跳跃连接的重复次数增强特征的表达能力;最后,在CUFS人脸数据库上进行实验确定模型参数。实验表明,反卷积跳跃连接的重复次数为5次时,图像翻译的用户调研满意评价指标达到42%,图像翻译的质量达到最优。     

负选择模型中初始检测器集的一个生成算法

在介绍人工免疫系统基本概念的基础上,讨论了人工免疫系统中应用广泛的负选择模型.研究的重点是负选择模型中初始检测器集的生成算法,在穷举法的基础上提出了一个新的检测器生成算法,包括算法的设计、性能分析和试验.理论分析与试验结果表明,新生成算法的时间复杂度小于穷举法,随检测器规模成线性递增.在所生成检测器集的性能上新算法也优于穷举法.     

基于GAN和XGBoost融合的高精度业务流量识别方法

随着互联网技术的不断发展以及网络规模的不断扩大，新的网络业务层出不穷，为了保障用户服务质量，准确快速地对业务流量进行分类是目前的研究重点。传统业务识别方法多以协议或具体业务为分类依据，应用性较低。文章结合业务流量特征和机器学习方法，提出了一种基于生成对抗网络(GAN)和极端梯度增强(XGBoost)融合的业务流量识别方法。该方法首先提取代表业务资源需求的流量特征；然后通过改进GAN算法扩充少数类样本，解决业务识别过程中出现的数据集分布不平衡导致的模型准确率低的问题；最后通过随机森林算法进行特征选择，并利用XGBoost算法完成模型训练。结果表明，该方法对业务识别的准确率达到了97.32%。     

基于对抗和梯度的无参考图像质量评价算法

由于现有的生成对抗网络（GAN）很难完全获取细节上的失真,生成高质量图像仍旧比较困难。为了提高基于GAN的无参考图像质量评价（NR-IQA）方法的性能,提出一种基于对抗和梯度的NR-IQA方法。通过改进网络模型结构和引入基于梯度和色度相似性的平均偏差相似指数（MDSI）来提升模型的整体性能,整个模型由GAN和质量预测网络组成。首先,为了增强对抗训练,设计了双判别器的GAN,将失真图像和参考图像分别输入到网络中,利用WED数据集对GAN进行训练;其次,利用GAN生成相应失真图像的虚拟图像,并分析两者之间的差异,得到失真差异图和MDSI图;最后,为了从多个方面测量图像的感知质量,设计了多流质量预测网络,将失真图像、虚拟图像、失真差异图、MDSI图分别输入到网络中,输出图像质量预测分数。在LIVE、CISQ、TID2013数据集上进行训练和测试,所提算法在三个数据集上都表现出较好的性能,尤其在TID2013上。实验结果表明,该算法与人的主观评价具有较高的一致性。     

生成式对抗网络在自然语言处理中的应用

生成式对抗网络(Generative Adversarial Networks,GAN)是一种非常简单易行的生成式模型,不依赖任何先验假设,通过采样的方式生成似真数据,且生成速度快.近年来,生成式对抗网络在图像处理及自然语言处理任务中得到了广泛的应用.但是,生成式对抗网络同样存在缺点,比如训练过程中不稳定、生成数据过程中出现模式坍塌现象等.本文从网络结构、损失函数定义出发来分析GAN,并介绍其在自然语言处理中的应用.     

利用数据挖掘技术提高电信业客户的满意度

数据挖掘(Data Mining，DM)技术是一种应用统计学和人工智能等算法进行知识发现的技术，在商业应用中具有潜在的应用价值。而电信业客户满意度对电信运营商具有重要意义。本文介绍了电信客户满意度模型和指标，探讨了数据挖掘技术在提高客户满意度方面的应用．包括数据挖掘的准备工作，建立模型，评估模型以及模型分析的过程。     

虚拟场景生成中的LOD技术

虚拟现实中场景的生成对实时性要求很高。LOD技术是一种有效的图形生成加速方法。本文主要介绍了LOD技术的研究内容、LOD模型的生成算法以及LOD模型在虚拟场景生成中的选择。最后。对LOD技术未来的研究方向作了展望。     

结合SVD与GAN的图像检测分类模型

生成对抗网络(Generative Adversarial Networks,GAN)近年在计算机领域大火。它在保证生成效果的同时避免了原生成模型复杂的求解过程。但由于GAN的随机初始化输入,导致在训练模型生成与原始数据分布拟合的数据时花费大量时间成本。因此,提出一种基于奇异值分解的生成对抗网络(SVD-GAN)。通过奇异值分解对原始数据进行降维和去噪,生成对抗网络的输入,使输入数据在保留了原始数据重要特征的同时提高数据生成性能,减少训练时间成本。将SVD-GAN模型应用于图像分类,根据实验结果可知,该模型算法在优化生成网络的生成质量、提高图像分类的准确性和降低模型损耗方面效果显著。     

基于深度生成对抗网络的海杂波数据增强方法

海杂波数据稀缺,获取海杂波数据成本高、周期长,极大地限制了海杂波特性研究及海洋遥感应用。该文主要研究了基于深度生成性对抗网络(GAN)的海杂波数据生成方法,通过扩展传统的GAN框架,形成了1维海杂波数据生成和鉴别模型,基于实测海杂波数据集,进行对抗网络生成和鉴别模型训练,分析了生成模型所生成的海杂波数据的幅度分布特性和时间、空间相关性。基于实测数据验证了该方法能够生成更多、更多样、与真实海杂波数据分布相近的海杂波数据。     

学贯中西(7):介绍生成对抗网路(GAN)

1 GAN与NFT的结合 在上一期里,我们说明了天字第一号模型:分类器.接着本期就来看看它的一项有趣应用:GAN(generative adversarial networks,生成对抗网络).自从2014年问世以来,GAN在电脑生成艺术(generative art)领域,就开始涌现了许多极具吸引力的创作和贡献.GA...     

基于深度生成对抗网络的海杂波数据增强方法

海杂波数据稀缺,获取海杂波数据成本高、周期长,极大地限制了海杂波特性研究及海洋遥感应用.该文主要研究了基于深度生成性对抗网络(GAN)的海杂波数据生成方法,通过扩展传统的GAN框架,形成了1维海杂波数据生成和鉴别模型,基于实测海杂波数据集,进行对抗网络生成和鉴别模型训练,分析了生成模型所生成的海杂波数据的幅度分布特性和时间、空间相关性.基于实测数据验证了该方法能够生成更多、更多样、与真实海杂波数据分布相近的海杂波数据.     

面向医学图像生成的鲁棒条件生成对抗网络

医学图像生成是计算机辅助诊断技术的关键组成,具有广泛的应用场景.当前基于生成对抗网络的端对端学习模型,依靠生成器和判别器两者对抗训练,获取真实数据的概率分布,从而指导图像生成.但标注有限的医学图像及其高分辨率特点,加大了模型训练难度,影响图像生成质量;同时,模型未纳入数据扰动因素,鲁棒性有限,容易被恶意攻击.为此,本文提出一个基于鲁棒条件生成对抗网络的医学图像生成模型——MiSrc-GAN.该模型包括精度渐进生成器、多尺度判别器以及对抗样本配对构造模块,有效融合GAN框架和对抗样本,改善判别器鲁棒性,有利于学习原始图像与待生成图像的联合概率分布.在真实数据集CSC和REFUGE上的实验表明,MiSrc-GAN生成的图像质量优于现有模型.     

基于GAN指纹库的卷积神经网络室内可见光信道模型

提出一种神经网络算法实现室内可见光信道模型,解决Lambert模型难以计算室内可见光信道的噪声和误差问题。针对指纹库数据量大、难以采集和训练参数多导致迭代速度慢的问题,提出使用生成式对抗网络(generative adversarial network,GAN)生成仿真数据集融合原有的稀疏指纹库,生成满足训练要求数量的指纹库;使用一维的卷积神经网络(convolutional neural network, CNN)提取数据特征,降低训练参数,提高迭代速度。在室内5 m×5 m×3 m环境下采集稀疏指纹库,分别用反向传播 神经网络(back propagation netural network, BPNN)和一维CNN室内可见光信道模型进行对比。仿真结果表明:使用GAN生成指纹库的平均绝对误差为0.04,对数据量增广300%;在同一指纹库下,BPNN信道模型误差为3.81,迭代500次收敛;而CNN信道模型误差为0.79,迭代100次收敛。本文提出的GAN指纹库融合CNN的可见光信道模型具有精度高、误差小、速度快、泛化性强等优点,为室内可见光信道模型提供新的研究方案。     

面向视频图像的烟雾检测算法综述

烟雾检测技术在预防早期火灾蔓延方面具有重要的作用,准确快速的烟雾检测算法具有非常重要的实际应用价值。近年来,随着机器视觉与图像处理技术的快速发展,面向视频图像的烟雾检测算法以其非接触性、强鲁棒性等特点受到广泛的关注。面向视频图像的烟雾检测算法有效克服了传统烟雾探测器靠近火源才能工作的不足,但是由于场景的复杂性和环境因素的不确定性,面向视频图像的烟雾检测算法仍然面临着巨大的挑战。首先简单介绍了烟雾检测技术的基本流程,包括预处理、特征提取以及分类识别等步骤;其次介绍了基于颜色和运动分割的预处理方法,进一步分析了烟雾的视觉特性和运动特性,并介绍了相关烟雾特征提取算法;然后,对当前烟雾检测常用的分类器以及深度学习网络模型进行了探讨和总结;最后,重点介绍了烟雾检测算法存在的不足,并对烟雾检测算法的发展进行了展望。     

基于C6678的主被动三维影像生成算法并行设计

当前,如何实现高效的主被动三维影像生成技术是遥感应用中的一个研究热点。由于激光雷达-光学CCD的三维影像生成算法具有数据量大、处理复杂的特点,为实现其高效实时的应用需求,本文利用TMS320C6678多核DSP开展了并行处理技术方面的研究。并针对两种主流并行模型(主从模型和数据流模型),分别进行了三维影像生成算法的并行设计。最后,依托开发平台进行测试分析,总结论证了两种主流模型的设计要点与适用情况,为多核DSP在实际应用中的资源高效利用提供了思路。