一种基于生成对抗网络的图像去噪方法.pdf
是你****岺呀
亲,该文档总共17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。
一种基于生成对抗网络的水下图像去噪方法.pdf
本发明提供了一种基于生成对抗网络的水下图像去噪方法,首先将水下图像输入到一个由若干残差块组成的生成网络,得到特征映射图;然后将输出得到的特征映射图与清水的无噪标签图像分别通过VGG‑19网络映射得到一个深度特征空间,并计算特征映射图与清水的无噪标签图像在深度特征空间中的感知代价,计算感知代价的同时,将生成网络输出的特征映射图输入到对抗网络,最后训练完成后,将含噪的水下图像输入到生成网络,其输出即为处理后的无噪图像。本发明通过引入对抗机制,去噪效果明显,尤其是该方法可有效保留甚至增强图像中的边缘纹理信息,具
一种基于生成对抗网络噪声建模的真实图像去噪方法.pdf
本发明公开了一种基于生成对抗网络噪声建模的真实图像去噪方法,旨在利用深度卷积神经网络解决真实图像噪声因难以显式建模而无法有效去除的问题。该方法首先利用生成对抗网络学习真实图像噪声分布,构建成对数据集;其次利用构建的数据集训练去噪网络,实现对真实噪声的去除。本发明利用残差块搭建去噪网络,并在去噪网络中引入噪声估计算法以及可逆的升降采样操作,用以提升单一网络模型盲图像去噪的性能,在有效去除未知分布的噪声的同时,尽可能地保留原有图像的边缘信息和细节特征。
一种基于双层生成对抗网络的对抗样本生成方法.pdf
本发明提出了一种基于双层生成对抗网络的对抗样本生成方法,涉及人工智能安全领域。该方法采用第一层条件生成对抗网络、特征提取器、第二层生成对抗网络和目标网络;条件生成对抗网络用于生成新的样本,其鉴别器不但要分辨生成样本的真实性,还对其类别进行判定;特征提取器用于提取原始样本隐藏层特征,生成具有对抗先验的扰动;第二层生成对抗网络用于生成对抗扰动,鉴别器分析对抗样本的真实性及其与条件生成对抗网络生成样本的相似性;目标网络用于验证对抗样本的攻击成功率。本发明利用两层神经网络分别生成特定类别的样本和对抗扰动,能够实现
一种基于生成对抗网络的旋律生成方法.pdf
本发明公开了一种基于生成对抗网络的旋律生成方法,包括:数据预处理,从原始MIDI文件中提取出旋律轨道的事件序列;生成器训练,应用生成对抗网络对事件序列进行训练得到GAN生成器模型;音乐生成,利用GAN生成器模型生成音乐。采用对抗生成网络生成旋律,通过生成对抗模型的显著特征,即不断的在生成和判别之间进行博弈优化的特点,得到优质的旋律,帮助作曲家生成原始的旋律,有助于艺术创作。在判别器前增加增强判别器,增加领域知识的判断,更有利于训练过程中判别器快速收敛迭代,缩短训练时间。