基于生成对抗网络的图像处理及应用

本文主要采用生成对抗网络对运动模糊图像进行端对端盲复原方法进行简析。在图像的获取到使用过程中,多种因素会导致图像产生降质,如相机对焦问题会导致散焦模糊,成像系统的退化因素会导致高斯模糊等,成像系统和拍摄目标间的相对运动会导致运动模糊。而拍摄时抖动导致的模糊是导致图像质量下降的最主要因素。通常,减小运动模糊导致图像退化的影响的方案有两种,第一改善拍摄时的物理条件,如减小成像系统与拍摄目标间的相对运动。第二利用图像复原技术,通过图像复原算法提高图像质量。近年来利用生成对抗网络用于图像处理领域,在图像超级分辨率等相关问题取得了显著进展。2014年Goodfellow等提出了生成对抗网络,建立两个竞争网络,生成器用于接收噪声作为输入生成图像,鉴别器接收真实图像和生成图像,并试图区分它们,通过两个网络的对抗竞争,实现模糊图像盲复原。该方法在结构相似性测量及可视化表现方面实现了较高水准。     

人工智能辅助设计：基于深度学习的 风景园林平面识别与渲染

采用风景园林学与人工智能的跨学科研究方式,开发了一种将深度学习模型——生成对抗网络(Generative Adversarial Network,GAN)用于风景园林平面图用地识别与图像渲染的新应用场景。以325张细致标注的平面方案图建立用于深度学习的数据集,训练循环生成对抗网络(CycleGAN)实现平面图不同用地类型地块的提取任务,以及平面色块图到色彩肌理图的渲染生成。进一步从图片质量、正确规范性和色彩表达等方面评价模型的识别与渲染结果。该训练模型有潜力被应用于风景园林案例的用地类型分析及平面渲染,帮助设计师提升分析及制图效率。     

图像分割算法综述与探索

图像分割是图像处理和计算机视觉领域中的基本技术,在生物医学、航空航天、文化艺术等领域有着广泛的应用,一直是图像处理研究的热点。本文系统介绍了几种常见的图像分割算法。     

基于深度卷积生成对抗网络的植物图像识别方法的研究

提出使用深度卷积生成对抗网络进行植物图像识别方法.首先,利用生成式对抗网络生成植物图像样本,然后,利用判别网络中的卷积神经网络来提取图像特征,实现对生成网络产生的样本进行判别,以提升模型对图像数据分布的理解,从而达到了通过构建卷积神经网络对生产样本的质量进行测试的目标.实验结果表明,该方法生成的植物图像能够有效的提高卷积神经网络的识别准确率.     

Mask-2-Human:基于生成式对抗网络的人物图像生成方法

针对较为复杂的人物图像生成任务,提出了一种从mask图像生成人物图像的新方法。基于生成式对抗网络(generative adversarial nets,GANs),接收一个多通道的mask图像作为输入,其中的每个通道表示人物某个区域(如头发、脸部、手臂等)的掩码。该网络由生成器和判别器组成,生成器在U-Net结构基础上加入了残差模块,判别器用于判别生成图像的真伪性。通过施加不同的高斯噪声,所提方法能根据相同的mask生成具有不同外观的人物图像,具有更好的结果多样性。     

生成对抗网络在建筑设计领域的应用研究综述

随着计算机科学的发展,人工智能应用渗透各个领域。为探究生成对抗网络在建筑设计领域的应用,本文将现有的国内外相关研究成果按照不同主题,分为建筑设计与生成、设计优化与预测、建筑风格转换与设计灵感、数据增强与评估四大类,并在此基础上,分析生成对抗网络在建筑设计领域的发展现状与未来的研究趋势,提出其未来可能的应用方向与潜在挑战,为研究者提供新的思路和灵感,从而推动建筑设计领域的创新和发展。     

基于生成对抗网络和迁移学习的排水管道缺陷识别

城市排水设施的服役可靠性成为越来越重要的工程问题,高效率、自动化、大规模的管道缺陷智能检测是城市排水设施建设和管理的迫切需求和重要发展趋势。近年来深度学习技术发展迅速,为排水管道缺陷检测提供了新方法。然而,数据量不足和样本不均衡是深度学习模型普遍存在的问题,影响模型的泛化能力和识别鲁棒性。基于当前先进的生成对抗网络（StyleGAN）,提出了一种高质量的排水管道缺陷图像合成方法,以解决训练样本问题。进一步采用卷积神经网络算法,借助迁移学习和预训练模型（SqueezeNet网络）实现管道缺陷识别,提升模型识别效率,并对合成图像进行效果验证。结果表明,StyleGAN能高效合成高质量的缺陷图像,识别模型的平均精度达到90.0%（对树根、错口、残墙坝根和障碍物的精度分别为99.7%、92.3%、87.7%和81.7%）。借助生成对抗网络实现数据增强,为深度学习模型训练提供了一种有前景的方法,具有重要的应用意义。     

基于机器学习的风景园林智能化分析应用研究

机器学习使实现数据的智能化处理及充分利用数据中蕴含的知识与价值成为可能。探索基于机器学习在风景园林领域智能化分析应用的途径,开展3个实验。其中2个与数据分析研究相关,提出基于调研图像色彩聚类分析的城市色彩印象和基于图像识别技术的景观视觉质量评估与网络应用平台部署实验。最后1个实验与数字化设计创作相关,提出用于设计方案遴选的地形生成方法,包括2个子项目:应用深度学习生成对抗网络(GAN)的地形生成和建立遮罩、预测未知区域的高程。3个实验应用到机器学习中分类、聚类和回归3个主要方向中的算法以及深度学习的生成对抗网络,对传统的研究问题提出了基于机器学习新的研究方法。因此,在应用机器学习风景园林领域,可以有效地从多源数据中学习相互增强的知识,发现问题,并提出解决问题的新方法。     

计算机图像处理技术的应用

随着科学技术的飞速发展,对计算机图像处理技术的使用已经渐渐地趋向成熟,计算机图像处理被广泛的应用到多个领域,推动了社会的进步和发展。计算机图像处理技术是指运用计算机摄像机等相关的技术对图像施加处理和运算使图像变得更加清晰。计算机图形处理技术在工业、农业、广告传媒等领域被广泛的应用,本文对进算计图像处理技术进行分析和探究,推动相关的技术研究发展。     

基于辅助图像分析的景观建筑和山水画理论融合研究

随着计算机技术的发展,艺术设计越来越依赖于图形图像处理和三维建模,尤其是景观设计,使用辅助图像分析是当前该领域的热门研究课题之一。文章首先分析了景观建筑与山水画理论融合的意义,通过实例推导了景观建筑与山水画理论相结合的图像分析辅助系统的应用和原理,进一步阐明了图像分析支持系统的发展前景,并提出了建设性意见,为该领域的研究提供了一定的科学依据。