【技术实现步骤摘要】
本专利技术涉及一种生成对抗网络的训练方法、双向图像风格转换方法和装置，属于图像处理。
技术介绍
1、深度学习是人工智能领域中的一个重要分支，它通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习技术已经广泛应用于计算机视觉、自然语言处理、语音识别等领域。在计算机视觉的研究领域，图像的风格迁移一直是一个倍受关注的方向。风格迁移相较其它任务，有更高的趣味性，因为它涉及到了人文艺术的精神领域。但是让计算机自动完成风格迁移的任务，并不是一件容易的事情，生成对抗网络（gan）是一种具有很大潜力的深度学习模型，它可以生成非常真实的合成图片，在图像转换、图像风格迁移等领域得到了广泛应用。在gan模型中，有两个主要的组成部分：生成器和判别器。生成器负责生成新的数据，而判别器则负责判断生成的数据是否真实。在训练过程中，生成器和判别器会进行对抗性训练，不断优化自己的参数，以欺骗对方。这种对抗性训练过程可以使得生成的数据越来越真实，同时也可以提高模型的泛化能力。
2、传统的艺术家手绘不同风格的人像的过程中，有...
【技术保护点】
1.一种生成对抗网络的训练方法，其特征是，包括：
2.根据权利要求1所述的生成对抗网络的训练方法，其特征是，所述判别网络包括多模态判别器，所述多模态判别器包括多个结构相同、输入特征图尺寸不同的判别器，所述多模态判别器用于将多个判别器的输出加权相加后获得最终的判别输出；
3.根据权利要求2所述的生成对抗网络的训练方法，其特征是，确定的第一损失函数，包括：
4.一种双向图像风格转换方法，其特征是，包括：
5.根据权利要求4所述的双向图像风格转换方法，其特征是，所述注意力特征图的获得方法，包括：
6.根据权利要求5...
【技术特征摘要】
1.一种生成对抗网络的训练方法，其特征是，包括：
2.根据权利要求1所述的生成对抗网络的训练方法，其特征是，所述判别网络包括多模态判别器，所述多模态判别器包括多个结构相同、输入特征图尺寸不同的判别器，所述多模态判别器用于将多个判别器的输出加权相加后获得最终的判别输出；
3.根据权利要求2所述的生成对抗网络的训练方法，其特征是，确定的第一损失函数，包括：
4.一种双向图像风格转换方法，其特征是，包括：
5.根据权利要求4所述的双向图像风格转换方法，其特征是，所述...
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。