基于先验生成对抗网络的图像去雾方法及模型.pdf
是飞****文章
亲,该文档总共19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
基于先验生成对抗网络的图像去雾方法及模型.pdf
本发明公开了基于先验生成对抗网络的图像去雾方法,包括:收集成对的有雾图像和无雾图像构建训练集;对训练集的图像进行预处理,获得四通道的图像,所述四通道包括R、G、B三通道以及滤波后保留有高频与低频信息的第四通道;取四通道有雾图像的浅层特征并进行下采样,得到深层特征;对深层特征进行上采样以获取重构上采样特征,上采样过程中通过跳跃连接将上采样之前的图像特征融入重构上采样特征,重构出四通道的去雾图像;根据图像生成器损失和辨别器损失在训练集上训练所述图像去雾模型;图像生成器损失包括有雾图像与去雾图像之间的重建损失,
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
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
一种基于生成对抗网络的图像去噪方法.pdf
本发明公开的一种基于生成对抗网络的图像去噪方法,其特征在于,包括以下步骤:步骤1:选取实验数据集;步骤2:选取高斯加性白噪声作为噪声模型;步骤3:搭建生成网络模型,训练生成器网络G用于去噪;步骤4:搭建判别网络模型,判别器D用于对输入图像进行真伪分类;步骤5:构建联合损失函数模型;步骤6:训练生成式对抗网络;步骤7:图像去噪质量评价。本发明一种基于生成对抗网络的图像去噪方法,能够达到保留更多纹理细节和边缘特征的去噪效果。
基于循环多尺度生成对抗网络的图像盲去运动模糊方法.pdf
本发明公开了一种基于循环多尺度生成对抗网络的图像盲去运动模糊方法。本发明方法以循环多尺度编码器和解码器作为生成器,并构建了相应的判决器。以生成图像和清晰图像的对抗性损失、多尺度均方误差和多尺度梯度误差作为生成对抗网络的损失函数,以梯度下降法优化损失函数。本发明运用生成对抗网络学习运动模糊图像与其对应清晰图像之间的关系,省去了复杂的模糊核估计过程。本发明方法可以提取图像的边缘特征,具有更简单的网络结构、更少的参数,并且该网络模型更容易训练,且复原效果较好。