【技术实现步骤摘要】
一种基于生成对抗网络的高分辨率图像生成方法
本专利技术涉及深度学习和图像处理领域,尤其涉及一种基于生成对抗网络的高分辨率图像生成方法。
技术介绍
随着图形绘制技术、数字信号处理技术、传感技术、图形技术的发展,虚拟现实的研究日益广泛,即利用计算机生成逼真的图像等,使得用户可以在虚拟环境中实现交互和控制。在内容创建、智能编辑方面,很多软件可以改变图像的表情、皱纹等,这对高质量、多样性的图像生成技术提出很大需求。同时在许多对信息安全要求较高的公司(如信用卡公司),需要构建虚拟欺诈数据、图像等来提高欺诈检测系统,这也属于数据增强的应用。人们对生成图像的要求越来越高。但是利用计算机从数据中学习生成高保真、高分辨率、多样化的图像仍然是很大的挑战。近年来,生成图像建模领域涌现了很多成果。2014年lanGoodfellow创造性地提出了基于深度学习的生成对抗网络(GenerativeAdversarialNetwork,GAN),目前GAN已经成为首选和最前沿的生成模型之一。2016年HonglakLee等人提出了一种新的GAN架构,有效的连接文本和图像建模之间的步骤。2017年HanZhang等人提出了堆叠生成对抗网络(StackGAN:TexttoPhoto-realisticImageSynthesiswithStackedGenerativeAdversarialNetworks,StackGAN)来生成基于文本描述的真实图像。2018年HanZhang,IanGoodfellow等人将NLP领域的自注意力机制引入 ...
【技术保护点】
1.一种基于生成对抗网络的高分辨率图像生成方法,其特征在于,包含以下步骤:/n步骤1),对待学习的数据集图像进行预处理得到训练集;/n步骤2),构建生成对抗网络,所述生成对抗网络包含生成网络G和判别网络D两个深度卷积神经网络;/n步骤3),对生成对抗网络进行预训练,获得预训练的模型参数作为生成对抗网络的初始化参数:/n步骤3.1),随机初始化生成对抗网络的模型参数,对生成对抗网络进行训练并保存训练完成时的模型参数;/n步骤3.2),重复步骤3.1)预设的次数阈值,随机选取其中一次保存的模型参数作为预训练的模型参数;/n步骤4),将训练集和生成网络G生成的图像分别输入到判别网络D中,判别网络D的输出反作用于生成网络G,对生成对抗网络进行对抗训练,优化生成网络G和判别网络D的网络参数,当损失函数收敛时结束训练,得到训练好的生成对抗网络;/n步骤5),将随机数据分布输入到训练好的生成网络中,实现高分辨率图像生成。/n
【技术特征摘要】
1.一种基于生成对抗网络的高分辨率图像生成方法,其特征在于,包含以下步骤:
步骤1),对待学习的数据集图像进行预处理得到训练集;
步骤2),构建生成对抗网络,所述生成对抗网络包含生成网络G和判别网络D两个深度卷积神经网络;
步骤3),对生成对抗网络进行预训练,获得预训练的模型参数作为生成对抗网络的初始化参数:
步骤3.1),随机初始化生成对抗网络的模型参数,对生成对抗网络进行训练并保存训练完成时的模型参数;
步骤3.2),重复步骤3.1)预设的次数阈值,随机选取其中一次保存的模型参数作为预训练的模型参数;
步骤4),将训练集和生成网络G生成的图像分别输入到判别网络D中,判别网络D的输出反作用于生成网络G,对生成对抗网络进行对抗训练,优化生成网络G和判别网络D的网络参数,当损失函数收敛时结束训练,得到训练好的生成对抗网络;
步骤5),将随机数据分布输入到训练好的生成网络中,实现高分辨率图像生成。
2.根据权利要求1所述的基于生成对抗网络的高分辨率图像生成方法,其特征在于,所述步骤1)的详细步骤如下:
步骤1.1),将待处理图像x裁剪为n*n,n为16的整数倍;
步骤1.2),采用双三次插值方法对裁剪后的图像分别进行采样率为2、4、8、16的下采样,得到低分辨率图像;低分辨率图像块构成训练集。
3.根据权利要求2所述的基于生成对抗网络的高分辨率图像生成方法,其特征在于,
所述生成网络G采用倒金字塔结构,包含5个级联的生成器G0、G1、G2、G3、G4,逐层实现高频信息的学习、锐化图片细节;最低层生成器G4包含按顺序连接的全连接层、RELU激活层、Dropout层、全连接层、RELU激活层、Dropout层、全连接层、Tanh激活层;四个高层生成器G0、G1、G2、G3均包含卷积层、RELU激活层、卷积层、RELU激活层、卷积层、Tanh激活层;
所述判别网络D包含五个判别器D0、D1、D2、D3、D4,分别对应生成器G0、G1、G2、G3、G4,最低层判别器D4包含按顺序连接的全连接层、RELU激活层、Dropout层、全连接层、RELU激活层、Dropout层、全连接层、Tanh激活层;四个高层判别器D0、D1、D2、D3均包含卷积层、RELU激活层、Dropout层、卷积层、RELU激活层、Dropout层、Flatten层、全连接层;
在卷积操作中使用“补零”方式来保持所有特征图的大小相同;
生成网络G通过模拟训练集中的数据分布来生成逼近真实数据分布的图像;判别网络D判断输入到判别网络中的图片是来自真实数据分布pdata还是生成网络G生成的分布,并反作用于生成网络G;
生成对抗网络的目标函数为:
V(D,G)是整个生成对抗网络待优化的目标函数,D为判别网络,G为生成网络,z为随机输入的数据分布,x为下采样...
【专利技术属性】
技术研发人员:张贺舒,李涛,宋公飞,
申请(专利权)人:南京信息工程大学,
类型:发明
国别省市:江苏;32
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。