The invention discloses a method for generating confrontation images based on multi-level features, which includes the following steps: S1: introducing dense connections among different generators of hierarchical framework to construct a dense stacked generative confrontation network DSGAN model; S2: training DSGAN model; S3: inputting label information of images into DSGAN model. Type, the final image is sampled. The method of resisting image generation based on multi level features proposed by the invention obtains more real images.
【技术实现步骤摘要】
一种基于多层级特征的对抗图像生成方法
本专利技术涉及生成式对抗网络对自然图像数据集建模的技术,尤其涉及一种基于多层级特征的对抗图像生成方法。
技术介绍
理解自然图像的分布一直是一个热门的研究课题。在各类机器学习方法中,深度生成模型显得尤为重要,因为在理论上它们能够以相对较少的模型参数来生成各种逼真的图像,这意味着它们有能力抓住自然图像的本质。生成式对抗网络(GAN)作为一类生成模型已经引起了广泛的关注,它们有能力捕获自然图像的内在结构,并被广泛应用于各种图像生成任务,如图像修补、超分辨率、图像到图像的转换和未来的帧预测。作为生成模型中很有前景的一个分支,GAN将训练过程视为生成器G和判别器D这两位竞争者之间的零和博弈。具体而言,G旨在生成逼真的图像,而D则尝试区分真实图像与G生成的假图像。训练GAN等价于优化如下目标:其中表示求期望值,h表示真实图像,其服从分布pData(h),z表示噪声,服从分布pNoise(z),噪声z是生成器G的输入。训练GAN是为了取得G和D之间的纳什平衡。由于高维图像空间包含的变化太多,G总是可以产生既能混淆D同时又不接近真实分布的样本。因此,模型的训练常常会遇到不稳定和模式崩塌的问题。解决复杂问题的一个实用规则是将其分解成更容易解决的子问题,这在图像生成任务上也很实用。尽管完整的生成过程是困难的,可以将其划分为多个易处理的子步骤。事实上,最近的一些生成模型(S2-GAN,SGAN)已经基于这一想法并利用一堆GAN来生成不同层级的特征表达,其中每个GAN基于较高层级的特征表达来生成较低层级的特征表示。对于这些层级模型的一个自然的 ...
【技术保护点】
1.一种基于多层级特征的对抗图像生成方法,其特征在于,包括以下步骤:S1:在层级框架的不同生成器之间引入稠密连接以构建密集堆叠的生成式对抗网络DSGAN模型;S2:对DSGAN模型进行训练;S3:将图像的标签信息输入到DSGAN模型,采样得到最终图像。
【技术特征摘要】
1.一种基于多层级特征的对抗图像生成方法,其特征在于,包括以下步骤:S1:在层级框架的不同生成器之间引入稠密连接以构建密集堆叠的生成式对抗网络DSGAN模型;S2:对DSGAN模型进行训练;S3:将图像的标签信息输入到DSGAN模型,采样得到最终图像。2.根据权利要求1所述的基于多层级特征的对抗图像生成方法,其特征在于,步骤S2具体为采用对抗性损失、熵损失和条件特征损失三种损失函数来对DSGAN模型进行训练。3.根据权利要求2所述的基于多层级特征的对抗图像生成方法,其特征在于,对抗性损失函数为:其中,表示训练DSGAN模型中的判别器Di的对抗性损失函数,表示训练DSGAN模型中的生成器Gi的对抗性损失函数,表示求期望值,下标hi表示真实特征表达或图像,其服从分布Pdata,E,下标包含E表示该信息通过编码器E获取;zi表示噪声,其服从分布hc为k层特征hi+1,hi+2,…,hi+k融合后的多层级特征,生成器Gi以更高一级的特征表达hi+1和噪声zi作为输入。4.根据权利要求2所述的基于多层级特征的对抗图像生成方法,其特征在于,熵损失函数为:其中,表示训练DSGAN模型中的生成器Gi的熵损失函数,表示求期望值,zi表示噪声,其服从分布表示当前生成器Gi的输出结果,其服从分布Qi表示基于生成输出结果重建噪声zi的后验概率分布。5.根据权利要求2所述的基于多层级特征的对抗图像生成方法,其特征在于,条件特征损失函数为:其中,表示训练DSGAN模型中的生成器Gi的条件特征损失函数,表示求期望值,λj表示各层特征的权重系数,下标hi+j表示真实特征表达或图像,其服从分布pdata,E;zi表示噪声,其服从分布生成器Gi以多层级的特征表达hc和噪声zi作为输入;f表示距离度量,Ei→i+j表示重建第i+j层特征表达,hc为k...
【专利技术属性】
技术研发人员:袁春,贲有成,
申请(专利权)人:清华大学深圳研究生院,
类型:发明
国别省市:广东,44
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。