基于生成对抗网络的图像风格迁移

生成对抗网络(Generative Adversarial Network, GAN)可以生成和真实图像较接近的生成图像.作为深度学习中较新的一种图像生成模型,GAN在图像风格迁移中发挥着重要作用.针对当前生成对抗网络模型中存在的生成图像质量较低、模型较难训练等问题,提出了新的风格迁移方法,有效改进了BicycleGAN模型实现图像风格迁移.为了解决GAN在训练中容易出现的退化现象,将残差模块引入GAN的生成器,并引入自注意力机制,获得更多的图像特征,提高生成器的生成质量.为了解决GAN在训练过程中的梯度爆炸现象,在判别器每一个卷积层后面加入谱归一化.为了解决训练不够稳定、生成图像质量低的现象,引入感知损失.在Facades和AerialPhoto&Map数据集上的实验结果表明,该方法的生成图像的PSNR值和SSIM值高于同类比较方法.     

基于生成对抗网络的文本两阶段生成高质量图像方法

为了解决传统文本生成图像方法生成图像质量差和文本描述与生成图像不一致问题,以多种损失函数为约束,提出深度融合注意力的生成对抗网络方法（DFA-GAN）.采用两阶段图像生成,以单级生成对抗网络（GAN）为主干,将第一阶段生成的初始模糊图像输入第二阶段,对初始图像进行高质量再生成,以提升图像的生成质量.在图像生成的第一阶段,设计视觉文本融合模块,深度融合文本特征与图像特征,将文本信息充分融合在不同尺度的图像采样过程中.在图像生成的第二阶段,为了充分融合图像特征与文本描述词特征,提出以改进后的Vision Transformer为编码器的图像生成器.定量与定性实验结果表明,对比其他主流模型,所提方法提高了生成图像的质量,与文本描述更加符合.     

基于生成式对抗网络和多级小波包卷积网络的水下图像增强算法

为了解决水下图像的雾模糊和偏色问题,针对水下图像成像模型提出基于生成式对抗网络（GAN）和改进卷积神经网络（CNN）的水下图像增强算法. 利用生成式对抗网络合成水下图像,以对配对式水下图像数据集进行有效扩充. 利用多级小波变换,以不丢失特征分辨率的方式对水下图像进行多尺度分解,然后结合卷积神经网络利用紧凑式学习方式对多尺度图像进行特征提取,并利用跳跃连接以防止梯度弥散,克服水下图像的雾模糊效应. 利用风格代价函数学习彩色图像各通道间的相关性,提高模型的色彩校正能力,克服水下图像色彩失真的问题. 实验结果表明,相较对比算法,在主观视觉和客观指标上,本研究所提算法拥有更优秀的综合性能及鲁棒性.     

基于SN-GAN的大面积缺损图像修复算法研究

针对传统图像修复算法存在的图像细节修复效果差、视觉连贯性不佳以及训练不稳定等问题,将生成对抗网络和孪生神经网络进行结合,孪生神经网络当成GAN中的判别器,并在生成网络中使用均方误差,孪生网络中使用对比损失.实验结果显示,SN-GAN模型在细节修复及视觉连贯性上得到一定提升,并且也更适用于大面积缺损图像的修复.     

基于生成对抗模型的可见光-红外图像匹配方法

针对现有异源图像匹配存在的模态差异大、匹配难度大、鲁棒性差等问题, 基于生成对抗网络转换思想及传统的局部特征提取能力, 提出基于生成对抗模型的可见光-红外图像匹配方法. 依据生成对抗网络（GAN）的风格转换思想, 增加了损失函数计算通路并构建新的损失函数, 改进模型在异源图像上的转换效果. 利用SIFT算法分别提取转换后同源图像的特征信息, 确定待匹配点的位置和尺度. 依据匹配策略间接完成待配准图像的特征匹配及相似性度量. 在实景航拍数据集上进行实验验证. 结果表明, 利用该方法能够有效地处理多模数据, 降低异源图像的匹配难度, 为多模态图像匹配问题提供新的思路.     

结合大气散射模型的生成对抗网络去雾算法

为了提高图像去雾的性能, 提出结合大气散射模型生成对抗网络的去雾算法. 算法在pix2pix GAN基础上进行改进, 将网络的生成器改进成双解码器结构,通过双解码器分别生成无雾图像和透射率图, 并结合大气散射模型还原雾图像,以进一步提高图像分解的质量. 在马尔科夫判别器结构中,采用反向学习机制代替随机裁剪机制,以有效降低因采用随机裁剪算法而导致的判断结果不准确的概率. 在原有的损失函数上,加入雾霾损失函数,提高图像转化的质量. 在STOS和NYU数据集上进行消融实验和对比实验. 大量实验表明所提出方法在PSNR和SSIM指标上比原算法Pix2pix GAN有所提高, 且均优于现有去雾算法,复原图像具有清晰度高、噪声低、纹理丰富的优点.     

基于GAN的天文图像生成研究

生成对抗网络(GAN)被广泛应用于图像生成。生成恒星和星系图像对预测未知恒星和星系有着重要的意义。首次将GAN用于生成天文图像,给出了天文图像生成的GAN模型结构;设计了GAN训练的策略;为了提高GAN的稳定性,提出了改进的神经元抛弃方法,通过网格搜索法对模型中的部分高级参数进行了优化,并采用了韦氏距离对损失函数进行了改进。以斯隆数字巡天数据库(SDSS)中的恒星以及星系图像作为训练图像,采用改进方法和原始GAN分别生成了2种不同分辨率的恒星和星系图像,并进行了对比,验证了改进方法的有效性。     

基于生成对抗网络的对抗防御系统

针对不断更新的对抗攻击,提出一个基于生成对抗网络的防御系统.系统利用生成对抗网络不断生成新的对抗样本,反复训练模型以增强其鲁棒性.具体过程为将预先训练的卷积神经网络和外部GAN(conditional GAN:Pix2Pix)相结合,自动流水线式地推断对抗样本和干净样本之间的转换关系,并合成新的对抗样本.根据分辨得到的...     

改进残差块和对抗损失的GAN图像超分辨率重建

图像超分辨率(Super Resolution,SR)重建是计算机视觉领域中提高图像和视频分辨率的一种重要图像处理技术,针对基于深度学习的图像重建模型层次过多以及梯度传输困难导致训练时间长、重建图像视觉效果不理想的问题,本文提出了一种改进残差块和对抗损失的GAN(Generative Adversarial Networks)图像超分辨率重建模型.首先,在模型结构上,设计剔除多余批规范化操作的残差块并组合成生成模型,将深度卷积网络作为判别模型把控重建图像的训练方向,以减少模型的计算量;然后,在损失函数中,引入Earth-Mover距离设计对抗损失以缓解模型梯度消失的问题,采用L1距离作为重建图像与高分辨率图像相似程度的度量以指导模型权重更新来提高重建视觉效果.在DIV2K、Set5、Set14数据集上的实验结果表明:该模型剔除多余批规范化后的训练时间相比改进前模型减少约14%并有效提高图像的重建效果,结合Earth-Mover距离与L1距离的损失函数有效地缓解了梯度消失的问题.模型相较于双三次插值、SRCNN、VDSR、DSRN模型,提高了对低分辨率图像的超分辨率重建效率和视觉效果.     

基于模糊理论的医学图像增强方法

提出了一种基于模糊逻辑理论的医学图像边缘检测的增强算法.该方法采用S函数作为隶属函数,实现空间域与模糊域之间的转换;在模糊域中采用幂次变换对图像进行对比度增强,最后再通过逆模糊化过程将数据映射到空间域中,得到增强后的图像.实验表明,针对所要处理的医学图像,与几种经典的处理方法相比,所提出的方法使增强后的图像能显示出更完整的边界信息.     

基于多尺度特征映射网络的图像超分辨率重建

针对基于卷积神经网络的图像超分辨率重建（SRCNN）方法存在的重建网络浅、特征利用率低以及重建图像模糊等问题,提出基于多尺度特征映射网络的图像超分辨率重建方法. 多尺度特征映射网络通过学习低分辨率（LR）特征与高分辨率（HR）特征之间的映射关系,将多个尺度的LR特征映射到HR特征空间,通过特征融合来提高重建过程中对特征的利用率;该方法定义了结合逐像素损失、感知损失和对抗损失的联合损失函数,从低频内容、图像边缘和局部纹理等方面均衡提升重建图像质量. 对数据集Set5、Set14和BSD100的图片4倍下采样后进行测试,与当前主流方法进行比较和分析. 实验证明,基于生成对抗的多尺度特征映射网络在提高图像感知质量方面表现优秀,重建的图像具有更加清晰的边缘和纹理,在客观评价上具有较好的评分.     

基于对抗生成网络的多风格化的汉字

随着生成对抗网络（GAN）的发展,中文字体转换领域的研究越来越多,研究者能够生成高质量的汉字图像。这些字体转换模型可以使用GAN将源字体转换为目标字体。然而,目前的方法有以下局限:1）生成的图像模糊;2）模型一次只能学习和生成一种目标字体。针对这些问题,该文开发了一种全新的模式来执行中文字体转换。首先,将字体信息附加到图像上,告诉生成器需要转换的字体;然后,通过卷积网络提取和学习特征映射,并使用转置卷积网络生成照片真实图像。使用真实图像作为监控信息,以确保生成的字符和字体与它们自身一致。这个模型只需要训练一次,就能够将一种字体转换为多种字体并生成新的字体。对7个中文字体数据集的大量实验表明,该方法在中文字体转换中优于其他几种方法。     

基于生成对抗网络的图像恢复与SLAM容错研究

为了提高即时定位与地图构建（SLAM）系统的容错能力,在经典图像生成网络Pix2Pix的基础上,逐步添加深度估计网络和深度信息的输入、基于STN网络的图像重建损失以及基于图像修复网络的图像补全损失3个方面的改进. 结合双目图像的耦合关系,通过挖掘和融合多种信息,增大了信息的利用率,提高了模型的图像生成效果. 提出将生成对抗网络（GAN）技术与SLAM容错场景相结合,直接实现了感知端的容错. 在KITTI和Cityscapes数据集上进行实验,验证了改进模型的有效性. 将模型生成的图像用于双目视觉系统的重建,验证了容错思想的可行性.     

基于模糊逻辑的图像阈值分割算法

为确定图像分割的最佳阈值,提出了一种新的有效的图像阈值分割方法.该方法首先给出一个新模糊熵的定义,这个模糊熵定义不仅考虑到图像在模糊域中划分区域时随隶属函数变化而变化的情况,同时也考虑到图像在空域中划分区域时随隶属函数变化而变化的情况,这样就使得图像依照最大熵准则变换到模糊域更能够有效地反映图像的固有信息.然后,采用改进粒子群优化算法寻求隶属函数的最优参数,得到分割的最佳阈值,并用该阈值对图像进行分割.将新算法应用于图像分割中,效果优于现有大多数阈值分割算法.     

生成式对抗网络应用领域综述

近年来,人工智能高速发展,各种神经网络层出不穷。介绍了生成式对抗网络的基本原理,以及GAN在图像、音频、视频3大领域中的应用,包括风格转换、音频生成、视频生成等。根据现有研究,分析了当前生成式对抗网络发展中的不足,并对未来的研究方向进行了展望。     

基于模糊Hamming网络的模式识别的研究

探讨了一种模糊Hamming网络,它通过设置阈值对隐含层的神经元进行择优来代替模糊ART网络的搜索循环过程,克服了模糊ART网络在处理大样本问题时搜索时间长的问题,同时保持了模糊ART的良好性能.对该网络进行了模式识别实验,并与模糊ART进行了比较性试验,结果表明,该网络具有良好的分类能力和较高的学习效率.     

基于改进生成式对抗网络的图像去雾算法研究

针对传统图像去雾算法存在颜色失真并被雾图先验理论束缚的问题,提出一种基于GAN(Generative Adver?sarial Networks)的去雾算法Defog-GAN,将雾天图片和普通图片分别送入GAN的生成器与鉴别器,利用卷积神经网络对图像的颜色与纹理信息特征进行提取,鉴别器最终引导生成器生成去雾图像.以分块输入形式对GAN的鉴别器做了改进,提高了模型训练速度,引入新的激活函数LeakyRelu,使输入在负值上也有一定的输出,加强图像细节的还原.对输出的去雾图像进行局部颜色直方图匹配,增强图像真实度.实验表明,改进后的网络模型缩短了训练时间,且在真实图像中去雾效果更好,主观评价和客观评价优于其他算法.     

基于粒子群算法的模糊滤波器优化方法

根据粒子群算法可以搜索全局最优的特点,提出一种新的基于粒子群算法优化模糊隶属函数,从而对带有脉冲噪声图像进行模糊中值滤波的方法.该方法给出一个新的模糊熵定义,采用改进粒子群优化算法寻求隶属函数的最优参数,依照最大熵准则将图像变换到模糊域,然后对需要处理的噪声图像进行滤波.实验表明,提出的方法可以很好地滤除图像中的脉冲噪声,自适应性强.     

基于双判别生成对抗网络的不规则孔洞图像修复

为解决现有算法在修复随机、不规则大面积孔洞时出现色差和细节模糊的缺陷,提出了基于双判别生成对抗网络的不规则大孔洞图像修复网络架构.图像生成器是部分卷积定义的U-Net架构,归一化的部分卷积仅对有效像素完成端到端的掩码更新,U-Net中的跳过链接将图像的上下文信息向更高层分辨率传播,用重建损失、感知损失和风格损失的加权损...     

生成对抗网络用于视频去模糊

针对因拍摄设备抖动或目标运动而产生的视频模糊问题,提出了一种基于生成对抗网络和马尔可夫判别网络的新的视频去模糊方法。文中将基于像素空间的损失函数与基于特征空间的损失函数相结合,并依据马尔可夫判别网络设计了一种新的判别网络,促进了网络对图像纹理细节的学习,使得生成的清晰图像质量得到了显著提升。将文中方法与同类方法分别在测试集和真实数据上进行了定性定量的比较,实验结果表明,经文中方法去模糊后的图像具有更高的峰值信噪比和更丰富的细节信息。