检索结果-南通市图书馆

检索条件"主题词=空间特征转换"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于生成对抗网络的图像风格化研究

基于生成对抗网络的图像风格化研究

引用

作者：涂鹏琦华中科技大学

学位级别：硕士

图像风格化旨在将一幅图像在保持其语义内容不变的同时,从原始风格转换为参考图像或目标域所定义的目标风格。近些年,图像风格化已经成为一个热门话题。尽管已有基于生成对抗网络的图像风格化方法已经取得较大进展,但是仍存在一些未解... 详细信息

图像风格化旨在将一幅图像在保持其语义内容不变的同时,从原始风格转换为参考图像或目标域所定义的目标风格。近些年,图像风格化已经成为一个热门话题。尽管已有基于生成对抗网络的图像风格化方法已经取得较大进展,但是仍存在一些未解决的问题。一方面,已有方法没有太多关注生成的风格化图像和原始图像的轮廓一致性,导致生成的风格化图像存在不同程度的轮廓失真。另一方面,对于难例图像风格化任务,即风格化过程中熵增幅度较大的任务,如动漫人脸到人脸的转换,已有方法往不能生成令人满意的风格化结果。为解决已有方法生成的风格化图像出现轮廓失真的问题,从网络结构的角度,提出了轮廓指导的自适应空间特征转换结构。该结构利用提取的原始图像的轮廓作为指导信息,对风格化过程中的图像特征进行调制,使得调制后的图像特征能尽可能地保留原始图像的轮廓信息,在一定程度上解决了风格化图像的轮廓失真问题。为进一步解决已有方法生成的风格化图像出现轮廓失真的问题,从损失函数的角度,提出了多粒度轮廓损失,对生成的风格化图像的轮廓进行进一步约束。多粒度的轮廓损失通过约束原始图像和风格化图像多粒度轮廓的一致性来进行轮廓的保留。同时,使用信息熵的跨域变化指导多粒度轮廓损失函数的设计,即约束风格化过程中轮廓细节和信息熵变化趋势的一致性。为解决已有方法在难例图像风格化任务上难以生成高质量风格化图像的问题,从训练策略的角度,提出了两阶段训练策略。第一阶段训练得到包含目标风格先验信息的模型,第二阶段将第一阶段包含目标风格先验信息的模型嵌入到风格转换网络,然后完成风格转换网络的训练。实验结果表明,采用轮廓指导的自适应空间特征转换结构和多粒度轮廓损失的方法,在风格化过程中能有效地保留原始图像的轮廓信息,提高风格化图像和原始图像的轮廓一致性;采用两阶段训练策略的方法,在难例图像风格化任务中能获得目标风格的先验信息来指导图像风格化过程,生成更高质量的风格化图像。

关键词：图像风格化生成对抗网络空间特征转换轮廓损失信息熵两阶段训练策略

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

深度特征判别增强的图像超分辨率方法

深度特征判别增强的图像超分辨率方法

引用

作者：施晓迪中南民族大学

学位级别：硕士

图像超分辨率旨在从一幅或者多幅低分辨率的观测图像重构出相应的高分辨率图像,可弥补成像过程引起的图像分辨率退化,该技术在安防监控、医疗诊断和遥感成像等领域具有广泛的应用前景。由于低分辨率图像缺失了大量的信息,通常存在多幅... 详细信息

图像超分辨率旨在从一幅或者多幅低分辨率的观测图像重构出相应的高分辨率图像,可弥补成像过程引起的图像分辨率退化,该技术在安防监控、医疗诊断和遥感成像等领域具有广泛的应用前景。由于低分辨率图像缺失了大量的信息,通常存在多幅高分辨率图像与之对应。因此,图像超分辨率重构为病态逆问题,如何恢复出高质量的高分辨率图像是一个具有挑战的任务。深度学习技术在改进图像超分辨率性能方面具有良好潜能,并在当前获得了广泛关注。深度多尺度结构能够并行表示不同感知域的特征,可有效减少计算并有利于缓解深度网络的梯度消失问题。同时,注意力机制可促进深度特征的自适应判别提取。为此,本文首先围绕如何利用注意力机制来有效处理多尺度特征,以增强网络的重构能力展开研究。此外,鉴于自上而下的反馈连接机制有利于丰富低层特征表示,进而增强深层网络的建模能力,本文进一步围绕如何通过引入注意力策略,设计由高维空间到低维空间的反馈机制,逐步改善重构质量展开研究。论文的主要工作如下:1)提出了一种注意力增强多尺度网络的单幅图像超分辨率重建算法。该方法旨在通过对不同尺度特征进行判别融合,以增强网络的判别能力和多尺度表示能力。具体地,设计的方法首先通过全局平均池化操作分别计算不同尺度特征的统计量,并综合这些统计量作为引导,为后续的多尺度特征调整和聚合学习最优的权重分配。同时,采用双层融合技术,即组内和组间的特征融合,以充分利用层次特征,进一步提高重构性能。实验结果表明,该方法在平衡重构质量、参数和效率等方面展现出了很大的竞争力。2)提出了一种基于空间特征转换的多级反馈单幅图像超分辨率网络。该方法的动机在于,一方面通过利用空间特征转换技术自适应增强低分辨率图像中的高频信息,使其可以得到有效利用,为图像重建提供参考,另一方面引入注意力机制,利用高层信息对多级低层特征做出反馈和优化,在提高网络判别能力的同时,提高网络的表示能力。具体地,首先计算出低分辨率图像与其模糊化图像的差值,并采用空间特征转换技术将差值图像非线性融合到原图中,得到高频信息增强。然后,联合高层特征和低层特征估计出一组权重,辅助低层信息的判别筛选,同时将高层特征映射回低维空间,并将结果叠加到调整后的低层特征上,弥补低维空间信息的不足。实验证明了该方法在主观性能和客观性能上的优势。

关键词：图像超分辨率深度学习注意力机制特征融合空间特征转换

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

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

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

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

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：