The invention discloses an image generation method, device, device and readable storage medium. The first noise variable is input into the trained generator to generate the first analog data, and the first analog data is input into the trained decoder to generate the simulation image. The trained generator uses L1 norm of the estimated results of the nuclear density of the potential feature distribution and the analog data distribution as the loss function. The potential feature is generated by dimensionality reduction of the original training image using the trained self-encoder encoder, which is trained using the original training image. In this scheme, the non-parametric estimation method of nuclear density estimation is combined with the generator to make the training process of the generator more stable, and the distribution of training data can also be accurately known through the nuclear density estimation, so as to ensure that the generated image has good diversity and simulation.
【技术实现步骤摘要】
图像生成方法、装置、设备及可读存储介质
本专利技术涉及图像生成领域,尤其涉及一种图像生成方法、装置、设备及可读存储介质。
技术介绍
生成式模型是深度学习领域一大研究热点,不同于判别式模型的直接对后验概率P(y|x)进行建模,生成式模型先对联合分布P(x,y)进行建模,之后通过贝叶斯公式得到P(y|x)的分布,因此,生成式模型具有研究单类模型更灵活,以及能够反映训练数据本身特征,但学习过程较复杂等特点,早期的生成式模型有朴素贝叶斯、玻尔兹曼机、置信网络等。生成式模型在图像领域的主要应用为,通过模拟图像数据的分布,生成以假乱真的图像。上述生成式模型主要有两个类型:变分自编码器和生成式对抗网络,二者分别代表了生成式模型模拟图像数据的两种方式:直接和间接。下面分别介绍基于这两个类型的图像生成方案:生成式对抗网络,主要由两个部分构成:生成器G和判别器D。如图1所示,生成器G的输入是一组多维随机噪声变量,输出的是与训练数据同分布的数据G(z)。判别器D的输入是训练数据x,即真实的图像数据,或生成器输出的生成图像G(z),输出为1或0,分别代表输入为真或假。判别器的目标是能够区分真实的训练图像和生成器输出的生成图像,即将训练图像判断为1而生成图像判断为0。生成器的目标是生成近乎真实的图像使判别器无法区分。生成式对抗网络的训练过程为二者分别向着各自的目标不断优化的过程,最终得到的生成式对抗网络可以生成与训练图像相似的图像,从而实现对训练图像分布的模拟。生成式对抗网络有以下缺点,一是训练结束得到的生成器可以生成与训练图像相似的图像,生成器模拟训练图像分布是一种间接的方式,即 ...
【技术保护点】
1.一种图像生成方法,其特征在于,包括:将第一噪声变量输入训练后的生成器中,生成第一模拟数据;将所述第一模拟数据输入训练后的自编码器的解码器中,生成仿真图像;其中,所述训练后的生成器以对潜在特征分布和模拟数据分布的核密度估计结果的L1范数作为损失函数;所述潜在特征是利用所述训练后的自编码器的编码器对原始训练图像降维后生成的;所述训练后的自编码器是采用所述原始训练图像进行训练得到的。
【技术特征摘要】
1.一种图像生成方法,其特征在于,包括:将第一噪声变量输入训练后的生成器中,生成第一模拟数据;将所述第一模拟数据输入训练后的自编码器的解码器中,生成仿真图像;其中,所述训练后的生成器以对潜在特征分布和模拟数据分布的核密度估计结果的L1范数作为损失函数;所述潜在特征是利用所述训练后的自编码器的编码器对原始训练图像降维后生成的;所述训练后的自编码器是采用所述原始训练图像进行训练得到的。2.根据权利要求1所述的方法,其特征在于,所述将第一噪声变量输入训练后的生成器中,生成第一模拟数据之前,还包括:将原始训练图像输入训练后的自编码器的编码器中,获得所述原始训练图像的潜在特征;将噪声变量输入生成器模型中,得到模拟数据;对所述潜在特征进行核密度估计,得到第一估计结果;对所述模拟数据进行核密度估计,得到第二估计结果;将所述第一估计结果和第二估计结果的L1范数作为损失函数;对所述生成器模型进行训练,并在训练中采用所述损失函数对所述生成器模型的参数进行约束;调整所述生成器模型的参数,若所述损失函数达到最小,则确定所述生成器模型为训练后的生成器。3.根据权利要求1所述的方法,其特征在于,所述核密度估计表示为:其中,代表带宽为H的核函数,带宽H是d维的对称正定矩阵。4.根据权利要求3所述的方法,其特征在于,所述核函数为高斯核函数;所述高斯核函数表示为:其中,带宽H为对角矩阵,对角元素σi是被估计样本第i维的标准差;将计算概率分布的位置s设定为每一个样本所在的位置。5.根据权利要求4所述的方法,其特征在于,所述损失函数表示为:其中,为对潜在特征分布的核密度估计,为对模拟数据分布的核密度估计。6.一种图像生成装置,其特征在于,包括:生成器模块,用于将第一噪声变量输入训练后的生成器中,生成第一模拟数据;解码器模块,用于将所述第一模拟数据输入训练后的自编码器的解码器中,生成仿真图...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。