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
俊凤****bb
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
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
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。
基于生成对抗网络的图像语义分割模型构建方法和装置.pdf
本申请公开了一种基于生成对抗网络的图像语义分割模型构建方法和装置,该方法使用分割模型训练源域数据集,再使用生成对抗网络将源域数据集转换为新的目标域数据集,该新的目标域数据集保留了源域数据集中图像的结构特征但同时具有目标域数据集的全局特征,因此使用新的目标域数据集微调源域分割模型将降低源域和目标域的域移位影响,并且不会对数据的其他图像特征产生负影响,提高了图像语义分割模型的泛化能力,提高了自适应图像语义分割模型的精度和效率。如此,通过使用生成对抗网络有效的减少了源域和目标域间域移位的影响,提高了自适应图像语
基于生成对抗网络的人脸风格迁移研究.docx
基于生成对抗网络的人脸风格迁移研究目录一、内容简述................................................1二、背景介绍................................................21.生成对抗网络的提出和发展现状..........................32.人脸风格迁移的应用背景与重要性分析....................43.技术交叉点的出现与发展趋势分析........................5三