基于三网络对抗学习的素描人脸合成方法

为解决现有素描人脸合成方法中素描人脸图像细节缺失、清晰度低及可适用性差的问题,提出一种三网络对抗学习的模型.由面部特征提取网络、生成网络及判别网络组成,引入面部细节损失与对抗损失相结合的复合损失函数,提高合成素描人脸图像的质量.在公共素描人脸数据集中与现有方法的定量与定性对比实验验证了该方法能够生成更加逼真、清晰的素描人脸图像.     

多判别器循环生成对抗网络的素描人脸合成

素描人脸合成在娱乐和刑侦领域具有重要应用价值。为了解决传统素描人脸合成方法生成图像面部细节模糊,缺失真实感等问题,改进了CycleGAN网络结构,提出一种基于多判别器循环生成对抗网络的素描人脸合成方法。该方法选取残差网络作为生成网络模型,在生成器隐藏层中增加多个判别器,提高网络对生成图像细节特征的提取能力;并建立了重构误差约束映射关系,最小化生成图像与目标图像之间的距离。通过在CUHK和AR人脸数据库中的对比实验,证明了相比于原始CycleGAN框架该方法性能有明显提升;相比于目前领先的方法,所提方法生成的素描图像细节特征更清晰,真实感更强。     

基于多残差动态融合生成对抗网络的人脸素描-照片合成方法

针对现阶段人脸素描-照片合成方法合成的图像存在清晰度较低、面部细节模糊等问题,提出基于多残差动态融合生成对抗网络的人脸素描-照片合成方法.首先设计多残差动态融合网络,从不同的密集残差模块分别提取特征并进行残差学习.然后根据不同层次的多样化残差特征生成对应的偏移量,不同位置的卷积核依据偏移量改变采样坐标,使网络自适应地关...     

局部回归模型驱动的人脸素描自动生成

为了兼顾生成人脸素描与对应照片间的相像性和艺术性,提出一种利用局部回归模型学习照片-素描间的映射关系自动生成人脸素描的方法.首先在图像局部区域上采用回归技术获得照片-素描对应局部区域之间的映射关系;然后将映射关系应用到输入的人脸照片上,考虑结构性特征并模拟铅笔素描笔触来合成对应的素描图像.在CUFS数据库上的实验结果表明,采用该方法合成的素描保持了原始人脸照片的身份信息,并且体现出较好的铅笔素描纹理.     

双重对偶生成对抗网络的跨年龄素描—照片转换

目的 跨年龄素描-照片转换旨在根据面部素描图像合成同一人物不同年龄阶段的面部照片图像。该任务在公共安全和数字娱乐等领域具有广泛的应用价值,然而由于配对样本难以收集和人脸老化机制复杂等原因,目前研究较少。针对此情况,提出一种基于双重对偶生成对抗网络（double dual generative adversarial networks,D-DualGANs）的跨年龄素描-照片转换方法。方法 该网络通过设置4个生成器和4个判别器,以对抗训练的方式,分别学习素描到照片、源年龄组到目标年龄组的正向及反向映射。使素描图像与照片图像的生成过程相结合,老化图像与退龄图像的生成过程相结合,分别实现图像风格属性和年龄属性上的对偶。并增加重构身份损失和完全重构损失以约束图像生成。最终使输入的来自不同年龄组的素描图像和照片图像,分别转换成对方年龄组下的照片和素描。结果 为香港中文大学面部素描数据集（Chinese University of Hong Kong（CUHK）face sketch database,CUFS）和香港中文大学面部素描人脸识别技术数据集（CUHK face sketch face recognition technology database,CUFSF）的图像制作对应的年龄标签,并依据标签将图像分成3个年龄组,共训练6个D-DualGANs模型以实现3个年龄组图像之间的两两转换。同非端到端的方法相比,本文方法生成图像的变形和噪声更小,且年龄平均绝对误差（mean absolute error,MAE）更低,与原图像相似度的投票对比表明1130素描与3150照片的转换效果最好。结论 双重对偶生成对抗网络可以同时转换输入图像的年龄和风格属性,且生成的图像有效保留了原图像的身份特征,有效解决了图像跨风格且跨年龄的转换问题。     

结合pHash和稀疏编码的素描人脸合成方法

为解决已有素描人脸合成方法存在的细节模糊和清晰度低的问题,提出一种感知哈希算法（Perceptual Hash,pHash）与稀疏编码（Sparse Coding,SC）相结合的素描人脸合成方法。首先根据图像的信息熵对人脸照片-素描对进行自适应分块处理,利用感知哈希算法计算出大图像块的哈希指纹,并对小图像块进行稀疏编码;然后选取与测试照片块最相似的[K]个初始候选照片块,得到与之对应的素描块;最后引入二次稀疏编码方法,合成最终的素描块,进而合成整幅素描人脸图像。利用现有的人脸数据库验证了算法的有效性,该算法经优化后可用于素描人脸合成。     

基于掩码损失的人脸图像生成方法

当前主流的基于生成对抗网络（Generative Adversarial Network,GAN）的图像生成方法，在生成真实度较高的人脸图像方面取得了显著进展，但在生成人脸图像的头发、牙齿等细节区域时易出现失真现象。针对存在的问题，提出掩码损失，并将其整合到Style GAN2中。该损失函数通过人脸分割网络生成人脸掩码，基于掩码调整生成图像在细节和非细节区域的贡献程度，以提高细节区域的合成质量。实验结果表明，所提方法显著改善了头发、牙齿等细节区域的合成质量，提高了生成图像的真实度。     

基于改进循环对抗网络的异质人脸合成配准

针对异质人脸合成问题,根据生成对抗网络在图像合成问题中的优势,将改进的循环生成对抗网络(CycleGAN)应用于异质人脸的合成研究当中.该方法可以降低不同模态人脸图像之间因为特征结构不同导致合成困难的问题.收集照片和素描两种模态的人脸数据,在两种模态之间使用循环对抗网络进行图像生成,实现两种模态之间的转换.利用最小二乘损失函数和Smooth损失函数对原网络目标函数进行改进,可以提高训练过程的稳定性,改善图片的合成质量,分析权重系数的作用.实验结果表明,合成质量和精度较原算法均有所提高.     

基于小波预测的超分辨率素描人脸合成方法

在使用人工智能算法等途径生成高质量的素描人脸图像时,若输入光学图像分辨率较低,生成的素描图像质量也会较差。在仅有低分辨率光学图像的条件下,提出一种基于小波预测的超分辨率素描人脸合成方法合成高质量的素描图像。在素描人脸合成网络的基础上引入超分辨率模块,通过对高分辨率图像的小波包分解系数进行预测,在端到端的框架下同时完成对图像的素描人脸图像合成以及超分辨率重建,提高合成图像的质量及分辨率。通过在CUHK学生数据集上与目前领先的超分辨率重建方法进行实验对比,该方法相较其它对比方法取得了更加优越的实验结果。     

基于多尺度特征融合的人脸照片-素描合成

从真实的人脸照片合成面部素描及其逆过程具有广泛的用途,例如数字娱乐与协助刑事案件的侦查.但是,由于照片与素描在纹理上的显著差异,它们之间的互相转换仍是一个具有挑战性的问题.最近基于生成对抗网络的方法已在图像间转换问题,特别是照片到素描的转换方面展现出令人鼓舞的结果,但它们大多会在面部关键组件产生不同的形变或者模糊,使得...