检索结果-南通市图书馆

中国科技论文 2023年第3期18卷 304-309,316页

作者：梁悦许林峰刘黛瑶谢晶晶万金鹏王世森电子科技大学信息与通信工程学院成都611731

在漫画生成领域,针对现有的基于生成对抗网络(generative adversarial networks,GAN)的方法无法捕获漫画和人脸之间高级对应关系的问题,提出了一个基于注意力机制的生成对抗网络模型(Attentions-based GAN)。在生成器和多尺度鉴别器上... 详细信息

在漫画生成领域,针对现有的基于生成对抗网络(generative adversarial networks,GAN)的方法无法捕获漫画和人脸之间高级对应关系的问题,提出了一个基于注意力机制的生成对抗网络模型(Attentions-based GAN)。在生成器和多尺度鉴别器上创造性地利用不同的注意力模块以保留重要的通道特征和空间特征,保证了鉴别器更准确地区分真实漫画和生成漫画,并促使生成器学习漫画域的分布。此外,构建了一个高分辨率的人脸漫画数据集,并在其上验证了本文模型的有效性。大量实验表明,本文方法生成的漫画更清晰真实,可以保留人物面部的细节并延续漫画的风格。

关键词：生成对抗网络人脸漫画注意力机制细节特征多尺度鉴别器

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于生成对抗网络的图像修复研究

基于生成对抗网络的图像修复研究

引用

作者：罗海银南京信息工程大学

学位级别：硕士

进入21世纪后,由于计算机的迅速发展和图像处理工具的不断普及,使得图像修复技术越来越引起人们重视。在计算机视觉和图形环境中,图像修复指恢复破损图像中缺失区域像素,它在计算机视觉任务中发挥着不可替代的作用。图像修复技术不仅是... 详细信息

进入21世纪后,由于计算机的迅速发展和图像处理工具的不断普及,使得图像修复技术越来越引起人们重视。在计算机视觉和图形环境中,图像修复指恢复破损图像中缺失区域像素,它在计算机视觉任务中发挥着不可替代的作用。图像修复技术不仅是计算机视觉领域中的基础技术之一,也是目前应用较为广泛的技术之一。图像修复任务又可视为一种特殊的图像生成任务,即生成图像的缺失像素,使图像完整真实。生成对抗网络模型具有强大的内容生成能力,研究人员将其应用于图像修复任务中,并取得了令人兴奋的效果。然而,生成对抗网络模型还存在模型不稳定、训练时间长等问题,导致生成图像出现语义不一致的样本内容。且该模型无法获取充分的深层语义信息。此外,现有图像修复方法往往未同时考虑图像的空间信息和语义信息。针对上述不足,本论文主要研究了基于生成对抗网络的图像修复任务,具体工作如下:(1)针对模型不稳定和图像深层语义信息获取不充分问题,提出了一种联合生成对抗网络与残差金字塔的图像修复方法。首先,在生成对抗网络中引入多层残差金字塔生成器,解决因神经网络深度增加而导致的精度降低问题,同时使用了实例归一化用于加速模型训练速度。其次,利用双鉴别器解决图像全局和局部区域语义不一致的不足,消除图像缺失区域边界处的不连续、模糊等问题。最后,运用金字塔L1损失和平均对抗损失,优化模型。在人脸、纹理、建筑、场景四类数据集上的实验表明:该方法不仅在实验数据上优于对比方法,而且可以生成与原图语义较为一致的修复图像。(2)针对模型未同时考虑图像空间信息和语义信息之不足,提出了一种基于门控特征融合的对抗式图像修复方法。首先,提出了两种不同的门控特征融合模块,即通道特征融合模块和空间特征融合模块。其中,通道特征融合模块用于获取不同通道特征图的语义信息;空间特征融合模块用于获取更多的空间、位置信息。其次,提出了一个新的多尺度鉴别器用于鉴别生成图像的全局一致性,主要由四个相同的鉴别器组成,用于判断不同分辨率的生成图像与其对应真实图像的一致性。最后,运用金字塔L1损失、感知损失和平均对抗损失,优化方法模型。在人脸、纹理、建筑、场景四类数据集上的实验表明:该方法在实验数据和可视化结果均优于流行的修复方法,且具有较强的泛化性。

关键词：图像修复生成对抗网络多层残差金字塔生成器多尺度鉴别器门控特征融合模块

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多尺度条件生成对抗网络血细胞图像分类检测方法

引用

浙江大学学报（工学版） 2021年第9期55卷 1772-1781页

作者：陈雪云黄小巧谢丽广西大学电气工程学院广西南宁530004 广西医科大学第二附属医院医学检验科广西南宁530007

针对血细胞图像中白细胞样本较少和生成细胞图像细节不清晰,导致检测精度较低的问题,提出基于多尺度鉴别器的条件生成对抗网络.该网络通过生成并添加大量逼真的白细胞图像到分类检测网络训练集的方式,实现对血细胞图像的生成和分类检测... 详细信息

针对血细胞图像中白细胞样本较少和生成细胞图像细节不清晰,导致检测精度较低的问题,提出基于多尺度鉴别器的条件生成对抗网络.该网络通过生成并添加大量逼真的白细胞图像到分类检测网络训练集的方式,实现对血细胞图像的生成和分类检测.在现有条件生成对抗网络真假鉴别器中,引入多尺度卷积核、池化域并在通道上拼接,提升鉴别器对微观细节纹理特征和宏观几何特征的鉴别能力;引入梯度相似性损失函数,以提高生成细胞图像的亮度及边缘清晰度,提升图像的真实感.实验证明,在图像生成阶段,增加多尺度鉴别器和梯度相似性损失函数提高了生成细胞图像的质量;在图像分类检测阶段,对比仅有真实数据训练的情况,增加细胞样本多样性使细胞分类检测的平均精度由90.4%提升至94.7%.

关键词：深度学习血细胞图像分类检测条件生成对抗网络梯度相似性多尺度鉴别器

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于改进循环生成式对抗网络的图像去雾方法

引用

计算机工程 2022年第12期48卷 218-223,231页

作者：黄山贾俊四川大学电气工程学院成都610065

针对现有图像去雾方法存在的颜色失真、细节丢失以及去雾效果不自然等问题,提出一种改进的循环生成式对抗网络用于图像去雾。通过添加多尺度鉴别器作为判别器来改进原始网络结构,增强判别能力,引导网络产生更精细自然的无雾图像。同时... 详细信息

针对现有图像去雾方法存在的颜色失真、细节丢失以及去雾效果不自然等问题,提出一种改进的循环生成式对抗网络用于图像去雾。通过添加多尺度鉴别器作为判别器来改进原始网络结构,增强判别能力,引导网络产生更精细自然的无雾图像。同时重新设计损失函数,使用最小二乘代替交叉熵作为对抗损失,引入循环感知损失,结合原始循环一致性损失组成新的复合损失函数,提高图像颜色与细节恢复的质量。在D-HAZY和SOTS数据集上的实验结果表明:该方法能够生成较为自然的无雾图像,其主观效果和客观指标均优于对比方法,具有更好的去雾能力;与原始循环生成式对抗网络相比,峰值信噪比从19.052 dB提高至23.128 dB,结构相似性指数从0.787提高至0.867。与DehazeNet、AOD-Net与GCANet等主流去雾方法相比,峰值信噪比和结构相似性指数比排名第二的方法分别提升7.1%和4.3%。

关键词：图像去雾循环生成式对抗网络多尺度鉴别器对抗损失循环感知损失

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

高质量任意人体姿态图像视频生成研究

高质量任意人体姿态图像视频生成研究

引用

作者：李桂安徽大学

学位级别：硕士

图像视频生成是一种将源人物转换为给定任意目标姿势的合成图像/视频技术,其中目标人物的外观和纹理与源人物保持一致。图像视频生成可以应用在互动娱乐、影视特效合成、时尚造型设计以及图像/视频数据集增强等广泛场景。然而,在图像生... 详细信息

图像视频生成是一种将源人物转换为给定任意目标姿势的合成图像/视频技术,其中目标人物的外观和纹理与源人物保持一致。图像视频生成可以应用在互动娱乐、影视特效合成、时尚造型设计以及图像/视频数据集增强等广泛场景。然而,在图像生成技术中,目前的生成方法通常会忽略人物图像的详细外观和纹理信息,模型复杂且难以训练。现有的视频生成算法未考虑到视频背景环境对人体姿态估计精度的影响,以及背景在运动转移研究范畴中的结合而缺少视觉吸引力。针对以上问题,本文就图像视频生成技术开展研究,主要内容和创新点包括:（1）在图像生成领域中,提出了由两个生成器和两个鉴别器组成的多尺度条件生成对抗网络,以解决生成高精度的人体姿态图像并同时保留外观细节的难题。第一个生成器将条件人物图像整体转换为目标姿势的粗略图像,另一个通过局部增强网络提高合成人物的图像质量。将两个生成器的输出合并为可判别的高分辨率合成图像,联合全局生成和局部细化可以同时对合成图像的精度与质量进行建模。通过在Market-1501和DeepFashion数据集上进行实验以评估所提出的模型,定性和定量结果均证明了所提出模型的优越性能。（2）在视频生成领域中,提出了源场景保留人物视频生成算法。首先,利用分割出人物外观的视频帧代替源视频帧作为网络输入:其次,使用运动转换模型将源视频中的人物替换成目标人物并保持动作一致性;最后,将人物外观与源人物背景融合,去除边界异常像素,将人物自然地融入源场景且避免改变画面背景环境和整体风格。我们使用人体骨架图作为源视频和目标视频的中间表示,减少背景干扰,提高姿态估计精确度,自然地实现运动转移过程中源场景的保留,生成艺术性与真实性和谐并存的人物视频。（3）基于姿态引导的场景保留人物视频生成算法是首个在不同视频人物对象之间实现目标姿势迁移和背景切换的方法,可以完成源人物与目标人物的运动迁移和背景转换工作,最终的生成视频将展现目标人物在源背景下执行源人物的动作。相比于其他融合方法,此方法使目标人物与源背景环境完全融为一体且无明显的边界像素差,具有重要的应用前景和经济价值。

关键词：生成对抗网络人物图像生成人物视频生成图像处理多尺度鉴别器

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于GAN网络的多尺度特征融合的图像逆半色调方法研究

基于GAN网络的多尺度特征融合的图像逆半色调方法研究

引用

作者：张晴西安理工大学

学位级别：硕士

半色调是基于人眼视觉低通特性将色调连续的图像转为二值图像的一项技术,解决了连续调图像在有限阶调设备输出和显示的问题。经半色调技术量化后的图像会产生像素、色彩等丢失现象,是一个不可逆的有损过程。为了得到更好的重处理结果就... 详细信息

半色调是基于人眼视觉低通特性将色调连续的图像转为二值图像的一项技术,解决了连续调图像在有限阶调设备输出和显示的问题。经半色调技术量化后的图像会产生像素、色彩等丢失现象,是一个不可逆的有损过程。为了得到更好的重处理结果就需要利用逆半色调技术将半色调图像转化为连续调图像,然后再进行数字图像的重处理。传统的逆半色调算法,需要利用半色调的先验知识,进行人工建模,模型的泛化能力不足,恢复的连续调图像质量不高。人工智能和卷积神经网络等技术的出现,给图像的逆半色调技术带来了新转机,但多数算法采用均方误差等像素级损失进行优化,生成的图像较为模糊。针对以上问题,本文对逆半色调技术展开了以下研究:(1)针对基于卷积神经网络生成的连续调图像在细节表现不佳的问题,论文提出了多尺度鉴别器的图像逆半色调方法,通过引入生成对抗网络模型学习数据的分布特性,来增强图像边缘的恢复。生成器参考多任务网络的思想设计内容合成子网络和细节增强子网络,渐进式地由粗到精生成逆半色调图像。为了捕获更多连续调图像的纹理特性,选用多尺度鉴别器从多个尺度对图像进行判定,进一步提升模型性能。(2)在多尺度鉴别器的图像逆半色调的网络基础上引入基于边缘特征的MSE损失,将其与内容损失,对抗损失结合起来作为生成器的损失函数,来进一步提升图像质量。从客观和主观角度进行评价,结果表明本文提出方法能够提高逆半色调图像的视觉效果,并且在图像的边缘细节恢复方面高于其他算法,生成的轮廓线条更为流畅。(3)针对多尺度鉴别器模型在部分逆半色调图像中残留噪点痕迹的问题,论文提出了多尺度特征融合的图像逆半调方法进行改进。通过设计多尺度特征提取模块,来丰富当前像素点与周围邻域的关系,改进了单一尺寸卷积核对图像特征信息提取不足问题。该模块选用多种扩张率的空洞卷积,并行对半色调图像特征进行提取,使得网络在输入端可以获得更为丰富的图像内容信息,最后经过串联拼接技术对特征进行融合。引入空洞卷积可以在不改变图像分辨率和参数规模的情况下,通过扩大感受野,来提高图像的恢复效果。(4)由于不同尺度的卷积核提取的信息不同对生成的逆半色调图像的贡献值不同,本文引入通道注意力机制自适应地对融合后的特征权重进行分配,从而凸显出多尺度特征的通道特异性。实验结果表明,论文提出的多尺度特征融合方法不仅可以恢复出较好的图像细节,与其他算法相比生成的逆半色调图像纹理更为光滑。并且该方法对多种半色调的适应性也有所提高,生成图像视觉效果更为真实。

关键词：逆半色调生成对抗网络多尺度鉴别器多尺度特征融合注意力机制空洞卷积

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：