基于循环一致性对抗网络的室内火焰图像场景迁移

作     者：杨植凯 卜乐平 王腾 欧阳继能 YANG Zhi-kai;BU Le-ping;WANG Teng;OUYANG Ji-neng

作者机构：海军工程大学电气工程学院湖北武汉430033 

出 版 物：《光学精密工程》 (Optics and Precision Engineering)

年 卷 期：2020年第28卷第3期

页      面：745-758页

核心收录：

学科分类：0810[工学-信息与通信工程] 0808[工学-电气工程] 0809[工学-电子科学与技术（可授工学、理学学位）] 081203[工学-计算机应用技术] 08[工学] 0805[工学-材料科学与工程（可授工学、理学学位）] 0835[工学-软件工程] 0702[理学-物理学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金重点项目资助(No.41631072) 国家自然科学基金面上项目资助(No.41671459) 

主　　题：图像转换 生成对抗网络 火焰图像合成 循环一致性生成对抗网络 

摘      要：基于深度学习的视频火灾探测模型的训练依赖于大量的正负样本数据,即火灾视频和带有干扰的场景视频。由于很多室内场合禁止点火,导致该场景下的火灾视频样本不足。本文基于生成对抗网络,将其他相似场景下录制的火焰迁移到指定场景,以此增广限制性场合下的火灾视频数据。文中提出将火焰内核预先植入场景使之具备完整的内容信息,再通过添加烟雾和地面反射等风格信息,完成场景与火焰的融合。该方法克服了现有多模态图像转换方法在图像转换过程中因丢失信息而造成的背景失真问题。同时为减少数据采集工作量,采用循环一致性生成对抗网络以解除训练图像必须严格匹配的限制。实验表明,与现有多模态图像转换相比,本文方法可以保证场景中火焰形态的多样性,迁移后的场景具有较高的视觉真实性,所得结果的FID与LPIPS值最小,分别为119.6和0.134 2。