一种基于生成对抗网络先验的盲人脸图像复原方法.pdf
Ja****23
亲,该文档总共18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
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
一种基于生成式对抗网络的自适应光学图像盲复原方法.pdf
本发明公开了一种基于生成式对抗网络的自适应光学图像盲复原方法,具体按照如下步骤实施:步骤1,制作空间目标自适应光学模糊图像与对应清晰图像的训练集;步骤2,构建用于训练的生成对抗网络模型;步骤3,将步骤1自适应光学模糊图像与对应清晰图像的训练集输入到步骤2建立的生成对抗网络模型中,得到训练好的生成网络模型;步骤4,将待复原的模糊图像进行尺寸归一化预处理,输入到步骤3训练好的生成网络模型中,得到复原之后的清晰图像。本发明的一种基于生成式对抗网络的自适应光学图像盲复原方法,由于无需估计PSF,提高了单帧图像复原
一种基于生成对抗网络端到端的模糊图像盲复原方法.pdf
基于生成对抗网络端到端的模糊图像盲复原方法,该方法包括:1)建立样本数据集;2)建立端到端图像配对模型:对数据集中的原始图像进行模糊化处理,建立模糊图像到原始图像的图像配对模型;3)生成对抗网络的对抗训练:模糊图像作为生成器输入数据,生成器学习原始图像的样本分布,生成图像,判别器将生成图像与原始图像的差异反馈给生成器,提高生成图像的质量;生成器和判别器进行反复对抗训练,得到最优模糊图像复原的网络模型;4)图像复原。本发明采用生成对抗网络端对端的训练模型,将模糊图像和原始图像配对处理,通过训练模型进行训练,
一种基于改进生成对抗网络的模糊图像复原方法.pdf
一种基于改进生成对抗网络的模糊图像复原方法,建立生成对抗网络模型,设计改进的生成器网络结构,在生成器中添加混合扩张卷积模块与跳跃连接,扩大网络的感受野并融合深层与浅层网络的图像信息,同时将残差块替换为残差密集块;设计网络损失函数,在原始的内容损失中添加L1损失项;利用模糊图像和对应的清晰图像组成的图像对,对网络模型进行训练;将模糊图像输入到训练完成的网络模型中,利用生成器处理模糊图像,实现模糊图像的复原。本发明可通过设计生成对抗网络结构与损失函数,利用模糊图像与清晰图像组成的数据集对网络模型进行训练,采用
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。