属性生成对抗网络以及基于该网络的人脸图像连续变换方法.pdf
努力****绮亦
亲,该文档总共11页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
属性生成对抗网络以及基于该网络的人脸图像连续变换方法.pdf
本发明公开了一种属性生成对抗网络以及基于该网络的人脸图像的连续变换方法,该属性生成对抗网络包含一个生成器和一个判别器,所述生成器包括身份特征编码器、年龄特征编码器和解码器;所述解码器使用基于自适应权值标准化的渐进式特征融合的结构,所述判别器使用多任务结构。该方法在训练该属性生成对抗网络时使用的目标损失函数包括对抗损失函数、循环一致损失函数、重建损失函数、身份特征损失函数和年龄特征损失函数。本发明公开的技术方案通过基于自适应权值标准化的解码器模拟人脸软组织和颅骨形状随年龄的变化,通过多任务结构的判别器减少了
基于生成对抗网络的人脸图像质量增强方法.pdf
本发明公开了人脸图像质量增加方法?生成对抗网络方法,具体地,包含以下五个步骤:1)静态人脸数据采集,2)数据处理,3)搭建生成对抗网络,4)训练生成对抗网络,5)测试生成对抗网络,本发明采用生成对抗网络来建模人脸图像质量,生成器包含图像增强、分辨率增强,图像增强实现对人脸图像亮度和噪声的矫正与增强,采用三种不同的方式来测量原始高质量人脸图像和增强后人脸图像之间的相似性,分别是MSE、SSIM以及判别器输出的分数,实现半监督的方法实现人脸图像质量增强,不需要标记训练数据,大大简化训练难度。
一种基于图像分割和生成对抗网络的人脸属性迁移方法.pdf
本发明公开了一种基于图像分割和生成对抗网络的人脸属性迁移方法,包括以下步骤:设置人脸属性迁移的基本网络框架,设置网络的基本参数;利用CelebA数据集对U‑Net人脸图像分割模型进行训练;利用训练好的U‑Net网络分割人脸图像,将需要迁移的人脸属性从源图像中分割出来,融合到目标人脸图像;将目标图像和融合的图像输入到生成对抗网络,使得融合的图像符合目标图像的风格;利用基于Haar特征级联分类器识别人脸区域,并进行人脸属性迁移。本发明提出了人脸属性迁移方法可以将多种人脸属性迁移到目标人脸图像,并通过生成对抗学
一种基于生成对抗网络先验的盲人脸图像复原方法.pdf
本发明公开了一种基于生成对抗网络先验的盲人脸图像复原方法,包括生成对抗网络先验模块、图像特征提取模块、基于无监督学习退化表征策略的退化表征编码模块、退化感知特征插值模块。生成对抗网络先验模块,用于从初始特征图通过针对人脸预训练好的生成对抗网络生成不同尺度的中间特征图,从而合成更真实的人脸结构和细节;图像特征提取模块,用于从原始退化图像提取出不同尺度的特征图;退化表征编码模块,根据是否使用不同退化函数构造正负样本,从而实现在无监督情况下提取出图像在不同退化程度下的退化表征;退化感知特征插值模块,用于融合图像
一种基于生成对抗网络模型生成多角度人脸图像的方法.pdf
本发明公开了一种基于生成对抗网络模型生成多角度人脸图像的方法,能够获取基于原始人脸图像生成指定角度的人脸图像的请求,然后分别提取原始人脸图像的轮廓特征和五官特征,最后将指定角度、轮廓特征、以及五官特征输入预先训练得到的生成对抗网络模型,得到目标人脸图像。可见,该方法利用预先训练完成的生成对抗网络模型实现了基于人脸图像生成任意指定角度人脸图像的目的,避免了人脸姿态变化给身份识别带来的影响。此外,本发明还提供了一种基于生成对抗网络模型生成多角度人脸图像的装置、设备及计算机可读存储介质,其作用与上述方法相对应。