基于对偶生成对抗式网络的人脸图像去模糊和恢复方法.pdf
Ch****75
亲,该文档总共13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
基于对偶生成对抗式网络的人脸图像去模糊和恢复方法.pdf
本发明公开了一种基于对偶生成对抗式网络的人脸图像去模糊和恢复方法,本发明实现的步骤为:1、网络初始化;2、输入数据;3、优化判别器;4、优化生成器;5、迭代训练网络;6、测试网络;7、输出结果。本发明相比现有技术基于单一生成对抗式网络的方法,网络更加容易收敛,不容易造成模型崩塌,并且生成效果更加稳定,生成图像与真实图像更加接近。本发明可应用于对模糊、细节信息残缺的图像进行去模糊和恢复处理。
基于改进的生成对抗网络的图像去模糊方法.pdf
本发明公开了一种基于改进的生成对抗网络的图像去模糊方法,包括步骤:一、将待去模糊的图像输入预先训练好的改进的生成对抗网络中;二、所述改进的生成对抗网络对待去模糊的图像进行去模糊处理,得到去模糊后的图像。本发明针对非盲去模糊方法估计模糊核时的不适定问题,采用深度学习的方法,在分析生成对抗网络的理论基础上,提出了一种基于改进的生成对抗网络的图像去模糊方法,在生成对抗网络的基础上,构建了改进的生成对抗网络,引入加权的思想构建新的目标函数,通过调节权值系数来平衡正向KL散度和反向KL散度的占比,能够更好地复原出清
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。
一种基于生成对抗网络的图像盲去模糊方法.pdf
本发明提供一种基于生成对抗网络的图像盲去模糊方法。本发明首先建立用于网络训练的损失函数,包括对抗损失项(AdversarialLoss)和内容损失项(ContentLoss);然后进行生成对抗网络结构的搭建;再采用基于随机轨迹的的运动模糊数据集生成方法,生成清晰‑模糊图像对;最后采用生成的清晰‑模糊图像对,训练生成对抗网络网络。本发明在低计算资源消耗的情况下,能做到相对较快的图像去模糊速度,并明显快于其他去模糊方法,本发明提出了一种基于随机轨迹的运动模糊数据集生成方法,可以任意生成大量的清晰‑模糊图像
一种基于生成对抗网络的手指静脉模糊图像去模糊的方法.pdf
本发明公开了一种基于生成对抗网络的手指静脉模糊图像去模糊的方法。本发明利用近邻二值汉明损失约束的26层深度网络生成器还原出清晰图像。首先提出多尺度窗口交替迭代卷积散焦、均值模糊核的方式来制作多态模糊训练集。然后提出用NBP汉明损失作为局部纹理损失,利用提取的局部纹理特征来指导生成器生成高保真度手指静脉图像。再提出步长为1的卷积模式保留更多静脉纹理特征信息量,同时利用26层深度网络结构来增强生成器的学习能力,充分学习纹理信息还原静脉纹理清晰的静脉图像。最后在26层深度网络生成器的残差模块两侧添加残差跳跃连接