10.13878/j.cnki.jnuist.20221012003
基于生成对抗网络的图像风格迁移
生 成 对 抗 网 络(Generative Adversarial Network,GAN)可以生成和真实图像较接近的生成图像.作为深度学习中较新的一种图像生成模型,GAN在图像风格迁移中发挥着重要作用.针对当前生成对抗网络模型中存在的生成图像质量较低、模型较难训练等问题,提出了新的风格迁移方法,有效改进了Bicy-cleGAN模型实现图像风格迁移.为了解决GAN在训练中容易出现的退化现象,将残差模块引入GAN的生成器,并引入自注意力机制,获得更多的图像特征,提高生成器的生成质量.为了解决GAN在训练过程中的梯度爆炸现象,在判别器每一个卷积层后面加入谱归一化.为了解决训练不够稳定、生成图像质量低的现象,引入感知损失.在 Facades 和AerialPhoto&Map数据集上的实验结果表明,该方法的生成图像的 PSNR 值和SSIM值高于同类比较方法.
生成对抗网络、风格迁移、自注意力机制、谱归一化、感知损失
15
TP391.4(计算技术、计算机技术)
国家自然科学基金;国家自然科学基金;重庆市科委重点项目;重庆市教委项目;重庆市研究生教改重点项目
2023-10-31(万方平台首次上网日期,不代表论文的发表时间)
共10页
514-523