关于生成式对抗神经网络研究的思路探析

通过对生成式对抗神经网络(Generative Adversarial Networks,简称GAN)进行探析,介绍了深度学习的发展和应用以及GAN的基本思想和应用领域。接着阐述GAN的基础理论,包括生成模型和判别模型、GAN的基本原理和数学模型以及GAN的训练方法和算法。然后介绍GAN的改进算法和技术以及在图像生成、视频生成、文本生成等领域的应用,并讨论了GAN的实用性和可靠性评估。最后探讨GAN的发展趋势和挑战,包括未来的发展方向和趋势、技术挑战和解决方案以及社会和伦理问题。     

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%。     

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。     

安捷伦科技公司与Kineto合作开发3G／2G UMA／GAN手机测试解决方案

安捷伦科技公司日前宣布与Kineto Wireless携手,合作开发3G和2G UMA／GAN手机测试解决方案。为客户打造综合的测试解决方案。Kineto Wireless是UMA技术的主要创始人和领先提供商。两家公司将致力于扩展Agilent 8960和UMA／GAN“实际”测试能力,为UMA／GAN市场中的移动运营商、手机厂商和移动平台开发商提供完整性能、非脚本的测试解决方案。在第一阶段的合作中,将推出强大的3G／2G UMA／GAN开发和工程验证工具。     

安捷伦科技公司与Kineto合作开发手机测试解决方案

安捷伦科技公司日前宣布与KinetoWireless携手,合作开发3G和2GUMA/GAN手机测试解决方案,为客户打造综合的测试解决方案。2家公司将致力于扩展Agilent8960的UMA/GAN测试能力,为UMA/GAN市场中的移动运营商、手机厂商和移动平台开发商提供完整性能、非脚本的测试解决方案。在第一     

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。     

基于谱约束的生成对抗网络图像数据生成研究

数据匮乏是深度学习面临的一大难题。利用生成对抗网络(GAN)能够基于语义生成新的图像数据这一特性,提出一种基于谱约束的生成对抗网络图像数据生成方法,该方法针对卷积生成对抗网络模型易崩溃不收敛的问题,从每层神经网络的参数矩阵W的谱范数角度出发,引入谱范数归一化网络参数矩阵,将网络梯度限制在固定范围内,减缓判别网络收敛速度,从而提高GAN的训练稳定性。实验表明,通过该方法生成的数据相比原始GAN以及DCGAN、WGAN等生成的图像样本数据在图像识别网络中具有更高的准确率,能够对少量样本数据进行有效扩充。     

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。     

基于生成对抗网络和噪声水平估计的低剂量CT图像降噪方法

生成对抗网络(GAN)用于低剂量CT(LDCT)图像降噪具有一定的性能优势,成为近年CT图像降噪领域新的研究热点.不同剂量的LDCT图像中噪声和伪影分布的强度发生变化时,GAN网络降噪性能不稳定,网络泛化能力较差.为了克服这一缺陷,该文首先设计了一个编解码结构的噪声水平估计子网,用于生成不同剂量LD-CT图像对应的噪声图,并用原始输入图像与之相减来初步抑制噪声;其次,在主干降噪网络中,采用GAN框架,并将生成器设计为多路编码的U-Net结构,通过博弈对抗实现网络结构优化,进一步抑制CT图像噪声;最后,设计了多种损失函数来约束不同功能模块的参数优化,进一步保障了LDCT图像降噪网络的性能.实验结果表明,与目前流行算法相比,所提出的降噪网络能够在保留LDCT图像原有重要信息的基础上,取得较好的降噪效果.     

基于生成对抗网络的遥感图像超分辨率重建改进算法

为了获取包含更多高频感知信息与纹理细节信息的遥感重建图像，并解决超分辨率重建算法训练难和重建图像细节缺失的问题，提出一种融合多尺度感受野模块的生成对抗网络（GAN）遥感图像超分辨率重建算法。首先，使用多尺度卷积级联增强全局特征获取、去除GAN中的归一化层，提升网络训练效率去除伪影并降低计算复杂度；其次，利用多尺度感受野模块与密集残差模块作为生成网络的细节特征提取模块，提升网络重建质量获取更多细节纹理信息；最后，结合Charbonnier损失函数与全变分损失函数提升网络训练稳定性加速收敛。实验结果表明，所提算法在Kaggle、WHURS19、AID数据集上的平均检测结果较超分辨率GAN在峰值信噪比、结构相似性、特征相似性等方面分别高出约1.65 dB、约0.040(5.2%)、约0.010(1.1%)。     

基于生成对抗网络和噪声水平估计的低剂量CT图像降噪方法

生成对抗网络(GAN)用于低剂量CT(LDCT)图像降噪具有一定的性能优势,成为近年CT图像降噪领域新的研究热点。不同剂量的LDCT图像中噪声和伪影分布的强度发生变化时,GAN网络降噪性能不稳定,网络泛化能力较差。为了克服这一缺陷,该文首先设计了一个编解码结构的噪声水平估计子网,用于生成不同剂量LDCT图像对应的噪声图,并用原始输入图像与之相减来初步抑制噪声;其次,在主干降噪网络中,采用GAN框架,并将生成器设计为多路编码的U-Net结构,通过博弈对抗实现网络结构优化,进一步抑制CT图像噪声;最后,设计了多种损失函数来约束不同功能模块的参数优化,进一步保障了LDCT图像降噪网络的性能。实验结果表明,与目前流行算法相比,所提出的降噪网络能够在保留LDCT图像原有重要信息的基础上,取得较好的降噪效果。     

基于CAN总线的分布式MOA在线监测系统设计

分析了金属氧化物避雷器在线监测技术的现状及集中式监测系统存在的问题，根据面向对象的分层分布式监测思想，提出了一种基于现场总线的分布式在线监测系统，并完成了基于GAN总线和DSP技术的系统方案设计和上下位机的软硬件功能模块设计。     

CAN总线在基于DSP的逆变器并联运行控制中的应用

CAN总线由于其卓越的特性、极高的可靠性和独特的设计，特别适合工业工程监控设备的互连。介绍了GAN总线通信在基于TMS320LF2407A DSP的逆变器并联控制中的应用.     

基于GAN实现环境声音分类的组合对抗防御

虽然深度神经网络可以有效改善环境声音分类(ESC)性能，但对对抗样本攻击依然具有脆弱性。已有对抗防御方法通常只对特定攻击有效，无法适应白盒、黑盒等不同攻击场景。为提高ESC模型在各种场景下对各种攻击的防御能力，该文提出一种结合对抗检测、对抗训练和判别性特征学习的ESC组合对抗防御方法。该方法使用对抗样本检测器(AED)对输入ESC模型的样本进行检测，基于生成对抗网络(GAN)同时对AED和ESC模型进行对抗训练，其中，AED作为GAN的判别器使用。同时，该方法将判别性损失函数引入ESC模型的对抗训练中，以驱使模型学习到的样本特征类内更加紧凑、类间更加远离，进一步提升模型的对抗鲁棒性。在两个典型ESC数据集，以及白盒、自适应白盒、黑盒攻击设置下，针对多种模型开展了防御对比实验。实验结果表明，该方法基于GAN实现多种防御方法的组合，可以有效提升ESC模型防御对抗样本攻击的能力，对应的ESC准确率比其他方法对应的ESC准确率提升超过10%。同时，实验验证了所提方法的有效性不是由混淆梯度引起的。     

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。     

安捷伦展示移动通信测试与测量解决方案

安捷伦科技公司在2010年移动通信世界大会上展示了适用于LTE、TD—UTE、3GPPW—CDMA、HSPA＋、E—EDGE（EDGE演进）、UMA／GAN、WiMAX和毫微微蜂窝基站的通信测试与测量解决方案。安捷伦新的测试与测量解决方案可以为研发、制造、安装与维护工程师提供支持,帮助他们开发和推出创新产品,满足快速演进的移动通信市场当前与未来的需求。     

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。     

自适应形态学与多尺度结合的植被区域遥感图像分割方法

为减小植被区域遥感图像分割误差,解决植被区域中待分割目标因覆盖度和噪声等因素造成的过分割和欠分割问题,提出了一种自适应形态学与多尺度结合的植被区域遥感图像分割方法。首先,通过general adaptive neighborhood(GAN)结构元素构造膨胀和腐蚀运算,推导出GAN形态学开、闭运算;然后,构造一种GAN形态学复合型滤波器,填充植被覆盖度不足的孔洞,减小噪声对图像的干扰;最后,通过多尺度分割算法,对遥感图像植被区域进行分割。实验结果表明：所提方法能够有效避免欠分割和过分割现象且能对遥感图像植被区域进行准确分割;与传统多尺度分割和传统形态学与多尺度结合方法相比,所提方法的分割误差较小。     

基于生成对抗网络的盾构隧道渗漏水检测

渗漏水是盾构隧道安全危害最大的病害之一,对盾构隧道渗漏水快速精准的检测,是有效控制及整治盾构隧道渗漏水的基础。现有的渗漏水检测方法在自动化程度方面均取得一定的成效,但存在数据采集效率低、现场采集环境要求高、训练数据样本量大等问题。针对上述问题,文章将移动LiDAR采集的盾构隧道强度图像作为数据源,提出了基于生成对抗网络的盾构隧道渗漏水检测方法,从现有的生成对抗网络V GAN模型出发,在标注少量样本的基础上,建立了Dense块作为编码器,残差块作为解码器的Unet模型作为生成器网络,运用改进的深度残差Unet(Improve ResUnet)作为判别器网络,组成DRUnet IRUnet GAN生成对抗网络用于盾构隧道LiDAR强度图像渗漏水检测。实验结果表明,当输入500张、200张、100张少量样本时,文章构建的DRUnet IRUnet GAN生成对抗网络能够达到优于V GAN的盾构隧道强度图像渗漏水检测效果,表明了所改进的网络具有良好的性能。