多尺度生成式对抗网络图像修复算法*
图像修复作为深度学习领域的一个研究热点,在人们现实生活中有着重要的意义.现有图像修复算法存在各种问题,导致视觉上无法达到人们的要求.针对现有图像修复算法精确度低、视觉一致性差以及训练不稳定等缺陷,提出了一种基于生成式对抗网络(GAN)模型的图像修复算法.该算法主要对判别器的网络结构进行改进,在全局判别器和局部判别器的基础上引入多尺度判别器.多尺度判别器在不同分辨率的图像上进行训练,不同尺度的判别器具有不同的感受野,能够引导生成器生成更全局的图像视图以及更精细的细节.针对GAN训练中经常出现的梯度消失或梯度爆炸问题,使用WGAN(Wasserstein GAN)的思想,采用EM距离模拟样本数据分布.在CelebA、ImageNet以及Place2图像数据集上对该算法的网络模型进行了训练和测试,结果显示与先前的算法模型相比,该算法提高了图像修复的精确度,能够生成更为逼真的修复图片,并且适用于多种类型图片的修复.
图像修复、生成式对抗网络、多尺度、重构损失、对抗损失
14
TP391(计算技术、计算机技术)
The National Natural Science Foundation of China under Grant No. 61673396 国家自然科学基金;the Natural Science Foundation of Shandong Province under Grant No. ZR2015MF022 山东省自然科学基金
2020-01-18（万方平台首次上网日期，不代表论文的发表时间）
共12页
159-170
