發(fā)布時間：2021-03-28 10:41

　　對圖像藝術(shù)風(fēng)格、目標(biāo)特有屬性的分辨,是一種可以通過抽象的知識進(jìn)行的視覺任務(wù),并且可以通過這些知識完成更復(fù)雜的圖像再創(chuàng)作的過程。圖像風(fēng)格遷移是計算機(jī)視覺中一個具有挑戰(zhàn)性的題目,在問題定義以及實施上存在諸多難點,例如,如何定義圖像的風(fēng)格并通過數(shù)學(xué)的方法表示;以及如何對圖像的風(fēng)格進(jìn)行修改。近年來深度學(xué)習(xí)被成功地應(yīng)用于圖像風(fēng)格遷移任務(wù)中,實現(xiàn)圖像風(fēng)格與內(nèi)容的分離,指導(dǎo)模型進(jìn)行圖像風(fēng)格的判別與修改�，F(xiàn)有的許多工作都是從定義圖像風(fēng)格或內(nèi)容的損失函數(shù)出發(fā)進(jìn)行研究,本文則是在對圖像特征與風(fēng)格表示的研究基礎(chǔ)上,對生成器的結(jié)構(gòu)進(jìn)行了研究與改進(jìn),提出了一種通用的圖像風(fēng)格遷移生成器結(jié)構(gòu)。論文的主要工作包括以下內(nèi)容:1.以深度學(xué)習(xí)特征這種圖像的抽象表示作為出發(fā)點,研究了卷積神經(jīng)網(wǎng)絡(luò)中圖像特征與語義內(nèi)容的相關(guān)特性,如何通過圖像特征插值修改的方式進(jìn)行圖像內(nèi)容的修改;2.利用圖像深度特征與語義內(nèi)容之間的聯(lián)系,提出了一種深度特征遷移圖像生成器結(jié)構(gòu),可以方便地擴(kuò)展到其他現(xiàn)有的圖像風(fēng)格遷移模型中。定性與定量試驗表明,基于本文方法改進(jìn)的CycleGAN,在“馬到斑馬”遷移的實驗中,獲得了生成圖像在真實性與多樣性上的提升,以及... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【部分圖文】：

一l變分自編碼器人臉重建結(jié)果口4]

VGG‘Net特征重建l4]

以源域圖像作輸入，通過訓(xùn)練判別器對源圖，真實目標(biāo)圖與源圖，生成目標(biāo)圖圖??像對進(jìn)行判別，學(xué)習(xí)生成逼真的目標(biāo)域圖像，同時通過計算生成圖像與對應(yīng)目標(biāo)域??圖像之間的Ｌ１損失，將生成器學(xué)習(xí)的范圍縮小。這種方式相比在像素空間逐像素地??計算誤差，能令細(xì)節(jié)更加豐富與真實，生成更加逼真的圖像。??雖然像素空間的Ｌ１損失相比Ｌ２損失能減少模糊，鼓勵更多的高頻細(xì)節(jié)，但Ｌ１??仍然會保證低頻的正確性，產(chǎn)生平滑模糊的圖像。為了得到足夠的高頻信息，該工??作提出了一種基于圖像塊判別的判別器ＰａｔｃｈＧＡＮ，將注意力的范圍限制在圖像局部??的塊中，判別器對圖像的各個小塊進(jìn)行判別真假，以所有小塊的響應(yīng)作為判別器的??最終輸出。每個圖像小塊的尺寸可以比輸入圖像的尺寸小得多，并且仍可以產(chǎn)生質(zhì)??量較高的輸出，并且，這對于輸出的結(jié)果質(zhì)量相比整張圖的判別有所提高，畫面細(xì)??節(jié)更加豐富，同時使判別器的運算量變小，全卷積的結(jié)構(gòu)也適用于任意尺度的輸入。??假設(shè)像素之間的獨立性超過每個圖像塊的直徑，這個做法將判別器建模成了馬爾科??夫隨機(jī)場，這種ＰａｔｃｈＧＡＮ的判別形式也可以理解為一種風(fēng)格或紋理上的損失函數(shù)。??應(yīng)用ＰａｔｃｈＧＡＮ的方法，該工作成功地訓(xùn)練了高分辨率的圖像生成器，圖像尺寸可以??達(dá)到（５１２ｘ５１２）像素。??Ｌ１?１ｘ１?＿?丨?６ｘ１６?７０ｘ７０?２５６ｘ２５６??

【參考文獻(xiàn)】：
期刊論文
[1]生成式對抗網(wǎng)絡(luò)及其計算機(jī)視覺應(yīng)用研究綜述[J]. 曹仰杰,賈麗麗,陳永霞,林楠,李學(xué)相.  中國圖象圖形學(xué)報. 2018(10)
[2]生成式對抗網(wǎng)絡(luò)GAN的研究進(jìn)展與展望[J]. 王坤峰,茍超,段艷杰,林懿倫,鄭心湖,王飛躍.  自動化學(xué)報. 2017(03)
[3]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機(jī)學(xué)報. 2017(06)



本文編號：3105419