一种基于生成对抗网络的渲染图像光照方法.pdf
骊英****bb
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
一种基于生成对抗网络的渲染图像光照方法.pdf
本发明公开了一种基于生成对抗网络的渲染图像光照方法,属于深度学习神经网络领域,包括以下步骤:S1、构造原始生成对抗网络模型;S2、构造神经网络充当生成器与判别器的功能;S3、初始化随机噪声,输入生成器中;S4、在判别器中得到图像数据集的光照数据分布;S5、将光照数据分布作线性变换之后输入生成器进行后续训练。本方法构建的基于渲染图像光照的原始生成对抗网络模型,通过提取图像数据集中的光照数据,并对其分布进行线性变换,最后输入至生成器中进行训练,从而达到了编辑图像光照的效果。
一种基于条件胶囊生成对抗网络的图像生成方法.pdf
本发明公开了一种基于条件胶囊生成对抗网络的图像生成方法,包括下述步骤:图像数据采集并对图像进行预处理;提取出条件向量;获取随机噪声;设计一个神经网络作为生成器将随机噪声和条件向量映射为生成图片;设计另外一个神经网络作为判别器接收生成图片、真实图片和条件向量得到损失值;在训练对抗网络时,根据损失值最小化目标函数来调节生成器网络权值;训练完成后,生成器网络权值调整到最佳,此时舍弃判别器,保留生成器模型作为生成图像的最佳神经网络。本发明通过利用胶囊神经网络来设计判别器结构,结合现有的WGAN和CGAN的优点,网
一种基于生成对抗网络的面部图像增强方法.pdf
本发明公开了一种基于生成对抗网络的面部图像增强方法.本发明包括以下步骤:1、使用3D稠密面部对齐方法对多种姿态的面部图像进行预处理;2、设计基于生成对抗网络的面部增强网络,两步生成对抗网络。3、针对任务需要设计Step‑I和Step‑II对应的目标函数4、使用MS‑1‑celeb预训练识别模型,并使用扩增数据预训练TS‑GAN模型;5、使用Multi‑PIE作为训练集,利用反向传播算法训练(4)中完成预训练的TS‑GAN模型参数,直至收敛。使用最终训练的TS‑GAN模型可以得到与输入图像对应的正脸图像,同
一种对抗生成网络模型、以及基于所述对抗生成网络模型的散景效果渲染方法及系统.pdf
本发明提出了一种基于对抗生成网络的散景效果渲染方法,通过设计一个轻量化的网络,并同时使用TensorFlowLite框架支持的算子重新实现了实例归一化,确保提出的一个由眼镜形状的端到端生成器以及多感受野判别器组成的对抗生成网络来训练散景渲染模型的所有算子都能在智能手机的GPU上进行计算,且不占用很大的资源。本发明同时还达到了不依赖于先验的方法的同时,还可以显著的检测出待聚焦区域,使得失焦区域的模糊效果也很自然,适用于多场景的情况而非只能处理人像等特定场景的目的。
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。