生成对抗网络训练方法、生成对抗网络、人脸图像翻译方法和装置制造方法及图纸

本申请公开了一种生成对抗网络训练方法、生成对抗网络、人脸图像翻译方法和装置，涉及计算机视觉、增强现实和深度学习技术领域。其中，生成对抗网络包括N个处理层，所述N个处理层包括M个卷积层，生成对抗网络训练方法包括：对训练样本添加噪声，得到第一特征数据；将所述第一特征数据输入至所述生成对抗网络中进行训练；其中，在所述训练的过程中，对每一卷积层输出的特征数据添加噪声后，再输入至下一处理层。本申请中，通过对训练样本以及每个卷积层输出的特征数据添加噪声，来模拟现实场景中各种各样的输入，能够使生成对抗网络对现实场景中大量丰富的输入具有更强的适应能力，从而能够提高生成对抗网络的稳定性、鲁棒性和容错性。

【技术实现步骤摘要】
生成对抗网络训练方法、生成对抗网络、人脸图像翻译方法和装置
本申请涉及人工智能
，具体为计算机视觉、增强现实和深度学习技术，尤其涉及一种生成对抗网络训练方法、生成对抗网络、人脸图像翻译方法和装置。
技术介绍
随着人工智能技术的发展，生成对抗网络应用越来越广，通过生成对抗网络能够根据用户输入的数据生成相应的目标数据，例如，基于生成对抗网络的人脸图像翻译技术，能够根据用户输入的人脸图像生成相符的个性化头像。然而，由于用户输入的数据千奇百态，生成对抗网络往往在训练集上表现比较好，而在测试集环境下却容易陷入崩溃，导致生成的目标数据存在较大瑕疵或生成完全失败。
技术实现思路
本申请提供了一种生成对抗网络训练方法、生成对抗网络、人脸图像翻译方法、人脸图像翻译装置、电子设备、存储有计算机指令的非瞬时计算机可读存储介质和计算机程序产品。根据第一方面，本申请提供了一种生成对抗网络训练方法，所述生成对抗网络包括N个处理层，所述N个处理层包括M个卷积层，所述N和所述M均大于或等于1，所述N大于或等于所述M，所述方法包括：...

【技术保护点】
1.一种生成对抗网络训练方法，所述生成对抗网络包括N个处理层，所述N个处理层包括M个卷积层，所述N和所述M均大于或等于1，所述N大于或等于所述M，所述方法包括：/n对训练样本添加噪声，得到第一特征数据；/n将所述第一特征数据输入至所述生成对抗网络中进行训练；其中，在所述训练的过程中，对每一卷积层输出的特征数据添加噪声后，再输入至下一处理层。/n

【技术特征摘要】
1.一种生成对抗网络训练方法，所述生成对抗网络包括N个处理层，所述N个处理层包括M个卷积层，所述N和所述M均大于或等于1，所述N大于或等于所述M，所述方法包括：
对训练样本添加噪声，得到第一特征数据；
将所述第一特征数据输入至所述生成对抗网络中进行训练；其中，在所述训练的过程中，对每一卷积层输出的特征数据添加噪声后，再输入至下一处理层。


2.根据权利要求1所述的方法，其中，所述噪声的幅度通过所述生成对抗网络的训练学习得到。


3.根据权利要求1所述的方法，其中，所述噪声为随机噪声或高斯噪声。


4.根据权利要求3所述的方法，其中，所述训练样本为人脸图像，所述噪声为高斯噪声。


5.根据权利要求4所述的方法，其中，所述生成对抗网络为用于人脸图像翻译的生成对抗网络。


6.根据权利要求1所述的方法，其中，所述N个处理层还包括多个归一化层和多个激活层。


7.根据权利要求1所述的方法，其中，所述对训练样本添加噪声，得到第一特征数据，包括：
将所述训练样本与待添加的噪声进行密集求和运算，得到第一特征数据；
所述对每一卷积层输出的特征数据添加噪声，包括：
将每一卷积层输出的特征数据与待添加的噪声进行密集求和运算。


8.根据权利要求1所述的方法，其中，所述生成对抗网络还嵌入有噪声模块，所述噪声模块用于生成所述噪声。


9.根据权利要求8所述的方法，其中，所述噪声模块为可插拔的噪声模块；
在所述生成对抗网络的训练阶段，所述噪声模块嵌入所述生成对抗网络；
在所述生成对抗网络的预测阶段，所述噪声模块从所述生成对抗网络移除。


10.一种生成对抗网络训练装置，所述生成对...

【专利技术属性】
技术研发人员：杨少雄，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11