CN107220929A - 一种使用循环一致对抗网络的非成对图像转化方法 - Google Patents
一种使用循环一致对抗网络的非成对图像转化方法 Download PDFInfo
- Publication number
- CN107220929A CN107220929A CN201710488261.6A CN201710488261A CN107220929A CN 107220929 A CN107220929 A CN 107220929A CN 201710488261 A CN201710488261 A CN 201710488261A CN 107220929 A CN107220929 A CN 107220929A
- Authority
- CN
- China
- Prior art keywords
- image
- mrow
- loss function
- function
- consistent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000009466 transformation Effects 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000013507 mapping Methods 0.000 claims description 14
- 230000002441 reversible effect Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000003139 buffering effect Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 53
- 238000006243 chemical reaction Methods 0.000 abstract description 17
- 238000007476 Maximum Likelihood Methods 0.000 abstract description 2
- 238000013461 design Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000283086 Equidae Species 0.000 description 1
- 241000283070 Equus zebra Species 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明中提出的一种使用循环一致对抗网络的非成对图像转化方法,其主要内容包括:一般模块、损失函数模块、目标函数模块、训练网络模块,其过程为,首先使用生成对抗网络进行分辨器的建模,同时对原集合域X设计映射函数,使得生成图像具有目标集合域Y的图像特性,并且对转化过程进行二次损失函数建模,通过最小化损失函数,以至于让分类器越来越难以分辨生成图像,同时提高非成对图像的转化成功率。本发明可以处理不同风格的照片或者图像,提供一个最小二乘法及最大似然概率来最小化损失函数,同时提高了图像转化的仿真度。
Description
技术领域
本发明涉及图像转化领域,尤其是涉及了一种使用循环一致对抗网络的非成对图像转化方法。
背景技术
图像到图像之间的转换是一类视觉和图形问题,其目标是通过训练学习输入图片的风格,将其映射到框架类似的输出图片中。对于当前业界及研究机构所拥有的数据来讲,多数处于配对状态,即图像的属性具有对称性,如一双鞋子的左右脚般。但实际应用中,大多数数据都不存在先验配对知识,这样的非成对图像进行视觉转移在当前业界尚未出现完成的例子。本发明提出的对于非成对图像之间进行风格迁移、材质改变、季节变化、图像增强等操作都有成功演示,体现出独有优越性,在考古文物模拟、医学图像仿真、农作物生长演化等方面都有可用的潜在价值,此外,该发明可激发遥感图像增强、机器人视觉融合等高尖科技领域的关键技术研究。
图像之间的特性转化仍旧是一个开放的问题。从图像转化的不可逆到可逆,其基本信息必须被保护不被破坏,同时加上或者还原的特性必须是线性可加,同时还要考虑到原图像的像素分布、纹理结构等问题,给直接的尤其非配对的图像转化带来难度。
本发明提出了一种基于二次建模损失函数最小化的新框架。使用生成对抗网络进行分辨器的建模,同时对原集合域X设计映射函数,使得生成图像具有目标集合域Y的图像特性,并且对转化过程进行二次损失函数建模,通过最小化损失函数,以至于让分类器越来越难以分辨生成图像,同时提高非成对图像的转化成功率。本发明可以处理不同风格的照片或者图像,提供一个最小二乘法及最大似然概率来最小化损失函数,同时提高了图像转化的仿真度。
发明内容
针对解决在不同风格图像之间进行特性转化的问题,本发明的目的在于提供一种使用循环一致对抗网络的非成对图像转化方法,提出了一种基于二次建模损失函数最小化的新框架。
为解决上述问题,本发明提供一种使用循环一致对抗网络的非成对图像转化方法,其主要内容包括:
(一)一般模块;
(二)损失函数模块;
(三)目标函数模块;
(四)训练网络模块。
其中,所述的一般模型,给定两个集合域X和Y,建立映射函数模型G:X→Y和F:Y→X,将X和Y中的训练样本和的图像特性进行交换,此外,引入对抗分类器DX和DY,用于分辨原始样本{x}和生成样本{F(y)}、原始样本{y}和生成样本{G(x)}。
所述的损失函数模块,包括对抗损失函数和循环一致损失函数。
所述的对抗损失函数,对映射函数模型G:X→Y及其分类器DY,具体的对抗损失函数为:
其中,G试图生成跟集合域Y相似的图像,但同时也要经受分类器DY的对抗,即需要进行分辨生成样本与真实样本,因此对映射函数G需要最小化而对分类器DY要最大化,即:
G*=arg minGmaxDYLGAN(G,DY,X,Y) (2)
相似地,对映射函数F有:
F*=arg minFmaxDXLGAN(G,DX,Y,X) (3)
其中,DX是逆向的分类器。
所述的循环一致损失函数,映射函数具有可逆性,在原始图像转化为生成图像后,也能转化回原始图像,即x→G(x)→F(G(x))≈x,上述步骤全部完成一次则为一个前向循环一致行为,相似地,对于被匹配图像y,有y→F(y)→G(F(y))≈y,上述步骤全部完成一次则为一个反向循环一致行为,合并后的过程中,其循环一致损失函数为:
其中,‖‖1表示一阶范数。
所述的目标函数模块,引入常量控制两个不同损失函数对总体函数模块的比重,即总体损失函数为,
由此,引入目标函数为:
其中,常量λ是比重控制因子。
所述的训练网络模块,包括网络结构、模型稳定过程和网络调试。
所述的网络结构,使用两层步长为2的卷积网络层、N层残差网络和两层步长为1/2的卷积网络层作为主体架构,其中当输入图像尺寸为128×128时N=6,尺寸为256×256或者更高时N=9。
所述的模型稳定过程,对公式(1)中的负对数似然函数,用最小二乘法损失函数替代,即:
此外,在训练过程中储存一个缓冲区,里面设有50张此前生成过的图像,用来更新DX和DY的分辨能力。
所述的网络调试,对图像每次训练图像数量限定为1,同时使用亚当解释器的网络学习率设置初始值为0.002,待经过100次迭代后逐渐衰减接近零值,此外,公式(5)中的λ设置为10。
附图说明
图1是本发明一种使用循环一致对抗网络的非成对图像转化方法的系统流程图。
图2是本发明一种使用循环一致对抗网络的非成对图像转化方法的转换及重构图。
图3是本发明一种使用循环一致对抗网络的非成对图像转化方法的一对多转换图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合,下面结合附图和具体实施例对本发明作进一步详细说明。
图1是本发明一种使用循环一致对抗网络的非成对图像转化方法的系统流程图。主要一般模块;损失函数模块;目标函数模块;训练网络模块。
其中,一般模型,给定两个集合域X和Y,建立映射函数模型G:X→Y和F:Y→X,将X和Y中的训练样本和的图像特性进行交换,此外,引入对抗分类器DX和DY,用于分辨原始样本{x}和生成样本{F(y)}、原始样本{y}和生成样本{G(x)}。
损失函数模块,包括对抗损失函数和循环一致损失函数。
对抗损失函数,对映射函数模型G:X→Y及其分类器DY,具体的对抗损失函数为:
其中,G试图生成跟集合域Y相似的图像,但同时也要经受分类器DY的对抗,即需要进行分辨生成样本与真实样本,因此对映射函数G需要最小化而对分类器DY要最大化,即:
G*=arg minGmaxDYLGAN(G,DY,X,Y) (2)
相似地,对映射函数F有:
F*=arg minFmaxDXLGAN(G,DX,Y,X) (3)
其中,DX是逆向的分类器。
循环一致损失函数,映射函数具有可逆性,在原始图像转化为生成图像后,也能转化回原始图像,即x→G(x)→F(G(x))≈x,上述步骤全部完成一次则为一个前向循环一致行为,相似地,对于被匹配图像y,有y→F(y)→G(F(y))≈y,上述步骤全部完成一次则为一个反向循环一致行为,合并后的过程中,其循环一致损失函数为:
其中,‖‖1表示一阶范数。
目标函数模块,引入常量控制两个不同损失函数对总体函数模块的比重,即总体损失函数为,
由此,引入目标函数为:
其中,常量λ是比重控制因子。
训练网络模块,包括网络结构、模型稳定过程和网络调试。
网络结构,使用两层步长为2的卷积网络层、N层残差网络和两层步长为1/2的卷积网络层作为主体架构,其中当输入图像尺寸为128×128时N=6,尺寸为256×256或者更高时N=9。
模型稳定过程,对公式(1)中的负对数似然函数,用最小二乘法损失函数替代,即:
此外,在训练过程中储存一个缓冲区,里面设有50张此前生成过的图像,用来更新DX和DY的分辨能力。
网络调试,对图像每次训练图像数量限定为1,同时使用亚当解释器的网络学习率设置初始值为0.002,待经过100次迭代后逐渐衰减接近零值,此外,公式(5)中的λ设置为10。
图2是本发明一种使用循环一致对抗网络的非成对图像转化方法的转换及重构图。如图所示,可以观察到第一行是正常风景图与莫泰油画风格的转化,第二行是正常马匹与斑马的转化,第三行是地域航拍图及所对应地图软件线路图的转化。
图3是本发明一种使用循环一致对抗网络的非成对图像转化方法的一对多转换图。如图所示,在一幅输入图像为田园风景照的图像后,依照本发明的方法,可依次将其转换为莫奈风格、梵高风格、塞尚风格及浮世绘风格的图像。
对于本领域技术人员,本发明不限制于上述实施例的细节,在不背离本发明的精神和范围的情况下,能够以其他具体形式实现本发明。此外,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围,这些改进和变型也应视为本发明的保护范围。因此,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
Claims (10)
1.一种使用循环一致对抗网络的非成对图像转化方法,其特征在于,主要包括一般模块(一);损失函数模块(二);目标函数模块(三);训练网络模块(四)。
2.基于权利要求书1所述的一般模型(一),其特征在于,给定两个集合域X和Y,建立映射函数模型G:X→Y和F:Y→X,将X和Y中的训练样本和的图像特性进行交换,此外,引入对抗分类器DX和DY,用于分辨原始样本{x}和生成样本{F(y)}、原始样本{y}和生成样本{G(x)}。
3.基于权利要求书1所述的损失函数模块(二),其特征在于,包括对抗损失函数和循环一致损失函数。
4.基于权利要求书3所述的对抗损失函数,其特征在于,对映射函数模型G:X→Y及其分类器DY,具体的对抗损失函数为:
其中,G试图生成跟集合域Y相似的图像,但同时也要经受分类器DY的对抗,即需要进行分辨生成样本与真实样本,因此对映射函数G需要最小化而对分类器DY要最大化,即:
G*=arg minGmaxDYLGAN(G,DY,X,Y) (2)
相似地,对映射函数F有:
F*=arg minFmaxDXLGAN(G,DX,Y,X) (3)
其中,DX是逆向的分类器。
5.基于权利要求书3所述的循环一致损失函数,其特征在于,映射函数具有可逆性,在原始图像转化为生成图像后,也能转化回原始图像,即x→G(x)→F(G(x))≈x,上述步骤全部完成一次则为一个前向循环一致行为,相似地,对于被匹配图像y,有y→F(y)→G(F(y))≈y,上述步骤全部完成一次则为一个反向循环一致行为,合并后的过程中,其循环一致损失函数为:
其中,‖‖1表示一阶范数。
6.基于权利要求书1所述的目标函数模块(三),其特征在于,引入常量控制两个不同损失函数对总体函数模块的比重,即总体损失函数为,
由此,引入目标函数为:
<mrow>
<msup>
<mi>G</mi>
<mo>*</mo>
</msup>
<mo>,</mo>
<msup>
<mi>F</mi>
<mo>*</mo>
</msup>
<mo>=</mo>
<mi>arg</mi>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>F</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
</munder>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<msub>
<mi>D</mi>
<mi>X</mi>
</msub>
<mo>,</mo>
<msub>
<mi>D</mi>
<mi>Y</mi>
</msub>
</mrow>
</munder>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>G</mi>
<mo>,</mo>
<mi>F</mi>
<mo>,</mo>
<msub>
<mi>D</mi>
<mi>X</mi>
</msub>
<mo>,</mo>
<msub>
<mi>D</mi>
<mi>Y</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,常量λ是比重控制因子。
7.基于权利要求书1所述的训练网络模块(四),其特征在于,包括网络结构、模型稳定过程和网络调试。
8.基于权利要求书7所述的网络结构,其特征在于,使用两层步长为2的卷积网络层、N层残差网络和两层步长为1/2的卷积网络层作为主体架构,其中当输入图像尺寸为128×128时N=6,尺寸为256×256或者更高时N=9。
9.基于权利要求书7所述的模型稳定过程,其特征在于,对公式(1)中的负对数似然函数,用最小二乘法损失函数替代,即:
此外,在训练过程中储存一个缓冲区,里面设有50张此前生成过的图像,用来更新DX和DY的分辨能力。
10.基于权利要求书7所述的网络调试,其特征在于,对图像每次训练图像数量限定为1,同时使用亚当解释器的网络学习率设置初始值为0.002,待经过100次迭代后逐渐衰减接近零值,此外,公式(5)中的λ设置为10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710488261.6A CN107220929A (zh) | 2017-06-23 | 2017-06-23 | 一种使用循环一致对抗网络的非成对图像转化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710488261.6A CN107220929A (zh) | 2017-06-23 | 2017-06-23 | 一种使用循环一致对抗网络的非成对图像转化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107220929A true CN107220929A (zh) | 2017-09-29 |
Family
ID=59950399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710488261.6A Withdrawn CN107220929A (zh) | 2017-06-23 | 2017-06-23 | 一种使用循环一致对抗网络的非成对图像转化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107220929A (zh) |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107845092A (zh) * | 2017-11-14 | 2018-03-27 | 深圳码隆科技有限公司 | 服装logo效果检测方法、装置及电子设备 |
CN108009628A (zh) * | 2017-10-30 | 2018-05-08 | 杭州电子科技大学 | 一种基于生成对抗网络的异常检测方法 |
CN108038818A (zh) * | 2017-12-06 | 2018-05-15 | 电子科技大学 | 一种基于多重循环一致性的生成对抗式网络图像风格转移方法 |
CN108038821A (zh) * | 2017-11-20 | 2018-05-15 | 河海大学 | 一种基于生成式对抗网络的图像风格迁移方法 |
CN108171173A (zh) * | 2017-12-29 | 2018-06-15 | 北京中科虹霸科技有限公司 | 一种虹膜图像美瞳生成与去除方法 |
CN108256439A (zh) * | 2017-12-26 | 2018-07-06 | 北京大学 | 一种基于循环生成式对抗网络的行人图像生成方法及系统 |
CN108305238A (zh) * | 2018-01-26 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、存储介质和计算机设备 |
CN108399432A (zh) * | 2018-02-28 | 2018-08-14 | 成都果小美网络科技有限公司 | 物体检测方法和装置 |
CN108596343A (zh) * | 2018-03-29 | 2018-09-28 | 杭州电子科技大学 | 一种基于反馈调节提高生成对抗网络稳定性的方法 |
CN108615073A (zh) * | 2018-04-28 | 2018-10-02 | 北京京东金融科技控股有限公司 | 图像处理方法及装置、计算机可读存储介质、电子设备 |
CN108881707A (zh) * | 2017-11-28 | 2018-11-23 | 北京旷视科技有限公司 | 图像生成方法、装置、系统和存储介质 |
CN108875511A (zh) * | 2017-12-01 | 2018-11-23 | 北京迈格威科技有限公司 | 图像生成的方法、装置、系统及计算机存储介质 |
CN108921123A (zh) * | 2018-07-17 | 2018-11-30 | 重庆科技学院 | 一种基于双重数据增强的人脸识别方法 |
CN109034255A (zh) * | 2018-08-02 | 2018-12-18 | 深圳码隆科技有限公司 | 服装销量的预测方法及装置 |
CN109061131A (zh) * | 2018-06-29 | 2018-12-21 | 志诺维思(北京)基因科技有限公司 | 染色图片处理方法及装置 |
CN109410148A (zh) * | 2018-11-06 | 2019-03-01 | 电子科技大学 | 一种基于循环一致性的生成对抗式网络的照片与工笔画之间图像风格转移方法 |
CN109584325A (zh) * | 2018-10-30 | 2019-04-05 | 河北科技大学 | 一种基于u型周期一致对抗网络的动漫图像的双向色彩化方法 |
CN109753992A (zh) * | 2018-12-10 | 2019-05-14 | 南京师范大学 | 基于条件生成对抗网络的无监督域适应图像分类方法 |
CN109886909A (zh) * | 2019-02-18 | 2019-06-14 | 上海健康医学院 | 一种基于ct图像合成pet-ct图像的方法 |
CN110009044A (zh) * | 2019-04-09 | 2019-07-12 | 北京七鑫易维信息技术有限公司 | 一种模型训练方法及装置、图像处理方法及装置 |
CN110084863A (zh) * | 2019-04-25 | 2019-08-02 | 中山大学 | 一种基于生成对抗网络的多域图像转换方法与系统 |
CN110175571A (zh) * | 2019-05-28 | 2019-08-27 | 华翔翔能电气股份有限公司 | 变电站设备状态的智能监测与识别方法 |
CN110533580A (zh) * | 2019-08-08 | 2019-12-03 | 西安交通大学 | 一种基于对抗生成神经网络的图像风格迁移方法 |
CN111583096A (zh) * | 2019-02-15 | 2020-08-25 | 北京京东乾石科技有限公司 | 图片处理方法及装置、电子设备和计算机可读介质 |
CN111723840A (zh) * | 2020-05-08 | 2020-09-29 | 天津大学 | 一种用于超声影像的聚类和风格迁移的方法 |
CN112347850A (zh) * | 2020-09-30 | 2021-02-09 | 新大陆数字技术股份有限公司 | 红外图像转换方法、活体检测方法、装置、可读存储介质 |
CN112487999A (zh) * | 2020-12-02 | 2021-03-12 | 西安邮电大学 | 一种基于CycleGAN的遥感图像鲁棒特征提取方法 |
CN112992304A (zh) * | 2020-08-24 | 2021-06-18 | 湖南数定智能科技有限公司 | 高分辨率红眼病案例数据生成方法、设备及存储介质 |
CN113537282A (zh) * | 2021-05-31 | 2021-10-22 | 大连民族大学 | 低光照度交通场景可见光特征环境重构方法、系统和介质 |
CN113793258A (zh) * | 2021-09-18 | 2021-12-14 | 超级视线科技有限公司 | 监控视频图像的隐私保护方法及其装置 |
CN113807497A (zh) * | 2021-09-02 | 2021-12-17 | 电子科技大学 | 一种增强纹理细节的非配对图像翻译方法 |
-
2017
- 2017-06-23 CN CN201710488261.6A patent/CN107220929A/zh not_active Withdrawn
Non-Patent Citations (1)
Title |
---|
JUN-YAN ZHU等: ""Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks"", 《网页在线公开:HTTPS://ARXIV.ORG/ABS/1703.10593V1》 * |
Cited By (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009628A (zh) * | 2017-10-30 | 2018-05-08 | 杭州电子科技大学 | 一种基于生成对抗网络的异常检测方法 |
CN107845092A (zh) * | 2017-11-14 | 2018-03-27 | 深圳码隆科技有限公司 | 服装logo效果检测方法、装置及电子设备 |
CN108038821A (zh) * | 2017-11-20 | 2018-05-15 | 河海大学 | 一种基于生成式对抗网络的图像风格迁移方法 |
CN108881707A (zh) * | 2017-11-28 | 2018-11-23 | 北京旷视科技有限公司 | 图像生成方法、装置、系统和存储介质 |
CN108881707B (zh) * | 2017-11-28 | 2020-11-10 | 北京旷视科技有限公司 | 图像生成方法、装置、系统和存储介质 |
CN108875511B (zh) * | 2017-12-01 | 2022-06-21 | 北京迈格威科技有限公司 | 图像生成的方法、装置、系统及计算机存储介质 |
CN108875511A (zh) * | 2017-12-01 | 2018-11-23 | 北京迈格威科技有限公司 | 图像生成的方法、装置、系统及计算机存储介质 |
CN108038818A (zh) * | 2017-12-06 | 2018-05-15 | 电子科技大学 | 一种基于多重循环一致性的生成对抗式网络图像风格转移方法 |
CN108256439A (zh) * | 2017-12-26 | 2018-07-06 | 北京大学 | 一种基于循环生成式对抗网络的行人图像生成方法及系统 |
CN108171173A (zh) * | 2017-12-29 | 2018-06-15 | 北京中科虹霸科技有限公司 | 一种虹膜图像美瞳生成与去除方法 |
CN108305238A (zh) * | 2018-01-26 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、存储介质和计算机设备 |
CN110555821A (zh) * | 2018-01-26 | 2019-12-10 | 腾讯科技(深圳)有限公司 | 模型训练方法、装置和存储介质 |
US11276207B2 (en) | 2018-01-26 | 2022-03-15 | Tencent Technology (Shenzhen) Company Limited | Image processing method, storage medium, and computer device |
CN108305238B (zh) * | 2018-01-26 | 2022-03-29 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、存储介质和计算机设备 |
CN110555821B (zh) * | 2018-01-26 | 2022-04-05 | 腾讯科技(深圳)有限公司 | 模型训练方法、装置和存储介质 |
CN108399432A (zh) * | 2018-02-28 | 2018-08-14 | 成都果小美网络科技有限公司 | 物体检测方法和装置 |
CN108596343A (zh) * | 2018-03-29 | 2018-09-28 | 杭州电子科技大学 | 一种基于反馈调节提高生成对抗网络稳定性的方法 |
CN108615073B (zh) * | 2018-04-28 | 2020-11-03 | 京东数字科技控股有限公司 | 图像处理方法及装置、计算机可读存储介质、电子设备 |
CN108615073A (zh) * | 2018-04-28 | 2018-10-02 | 北京京东金融科技控股有限公司 | 图像处理方法及装置、计算机可读存储介质、电子设备 |
CN109061131A (zh) * | 2018-06-29 | 2018-12-21 | 志诺维思(北京)基因科技有限公司 | 染色图片处理方法及装置 |
CN108921123A (zh) * | 2018-07-17 | 2018-11-30 | 重庆科技学院 | 一种基于双重数据增强的人脸识别方法 |
CN109034255A (zh) * | 2018-08-02 | 2018-12-18 | 深圳码隆科技有限公司 | 服装销量的预测方法及装置 |
CN109584325B (zh) * | 2018-10-30 | 2020-01-07 | 河北科技大学 | 一种基于u型周期一致对抗网络的动漫图像的双向色彩化方法 |
CN109584325A (zh) * | 2018-10-30 | 2019-04-05 | 河北科技大学 | 一种基于u型周期一致对抗网络的动漫图像的双向色彩化方法 |
CN109410148A (zh) * | 2018-11-06 | 2019-03-01 | 电子科技大学 | 一种基于循环一致性的生成对抗式网络的照片与工笔画之间图像风格转移方法 |
CN109753992B (zh) * | 2018-12-10 | 2020-09-01 | 南京师范大学 | 基于条件生成对抗网络的无监督域适应图像分类方法 |
CN109753992A (zh) * | 2018-12-10 | 2019-05-14 | 南京师范大学 | 基于条件生成对抗网络的无监督域适应图像分类方法 |
CN111583096A (zh) * | 2019-02-15 | 2020-08-25 | 北京京东乾石科技有限公司 | 图片处理方法及装置、电子设备和计算机可读介质 |
CN109886909A (zh) * | 2019-02-18 | 2019-06-14 | 上海健康医学院 | 一种基于ct图像合成pet-ct图像的方法 |
CN110009044B (zh) * | 2019-04-09 | 2021-09-03 | 北京七鑫易维信息技术有限公司 | 一种模型训练方法及装置、图像处理方法及装置 |
CN110009044A (zh) * | 2019-04-09 | 2019-07-12 | 北京七鑫易维信息技术有限公司 | 一种模型训练方法及装置、图像处理方法及装置 |
CN110084863A (zh) * | 2019-04-25 | 2019-08-02 | 中山大学 | 一种基于生成对抗网络的多域图像转换方法与系统 |
CN110175571A (zh) * | 2019-05-28 | 2019-08-27 | 华翔翔能电气股份有限公司 | 变电站设备状态的智能监测与识别方法 |
CN110533580A (zh) * | 2019-08-08 | 2019-12-03 | 西安交通大学 | 一种基于对抗生成神经网络的图像风格迁移方法 |
CN111723840A (zh) * | 2020-05-08 | 2020-09-29 | 天津大学 | 一种用于超声影像的聚类和风格迁移的方法 |
CN112992304A (zh) * | 2020-08-24 | 2021-06-18 | 湖南数定智能科技有限公司 | 高分辨率红眼病案例数据生成方法、设备及存储介质 |
CN112992304B (zh) * | 2020-08-24 | 2023-10-13 | 湖南数定智能科技有限公司 | 高分辨率红眼病案例数据生成方法、设备及存储介质 |
CN112347850A (zh) * | 2020-09-30 | 2021-02-09 | 新大陆数字技术股份有限公司 | 红外图像转换方法、活体检测方法、装置、可读存储介质 |
CN112347850B (zh) * | 2020-09-30 | 2024-04-23 | 新大陆数字技术股份有限公司 | 红外图像转换方法、活体检测方法、装置、可读存储介质 |
CN112487999A (zh) * | 2020-12-02 | 2021-03-12 | 西安邮电大学 | 一种基于CycleGAN的遥感图像鲁棒特征提取方法 |
CN113537282A (zh) * | 2021-05-31 | 2021-10-22 | 大连民族大学 | 低光照度交通场景可见光特征环境重构方法、系统和介质 |
CN113807497A (zh) * | 2021-09-02 | 2021-12-17 | 电子科技大学 | 一种增强纹理细节的非配对图像翻译方法 |
CN113807497B (zh) * | 2021-09-02 | 2023-09-15 | 电子科技大学 | 一种增强纹理细节的非配对图像翻译方法 |
CN113793258A (zh) * | 2021-09-18 | 2021-12-14 | 超级视线科技有限公司 | 监控视频图像的隐私保护方法及其装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220929A (zh) | 一种使用循环一致对抗网络的非成对图像转化方法 | |
Yang et al. | High-resolution image inpainting using multi-scale neural patch synthesis | |
CN108229479B (zh) | 语义分割模型的训练方法和装置、电子设备、存储介质 | |
Qi et al. | Geonet: Geometric neural network for joint depth and surface normal estimation | |
CN106462724B (zh) | 基于规范化图像校验面部图像的方法和系统 | |
US20210390319A1 (en) | Scene change method and system combining instance segmentation and cycle generative adversarial networks | |
CN110245711B (zh) | 基于角度旋转生成网络的sar目标识别方法 | |
CN106815808A (zh) | 一种利用分块运算的图像拼接方法 | |
US20230070008A1 (en) | Generating three-dimensional object models from two-dimensional images | |
CN106981080A (zh) | 基于红外图像和雷达数据的夜间无人车场景深度估计方法 | |
CN101950365A (zh) | 基于ksvd字典学习的多任务超分辨率图像重构方法 | |
CN106067161A (zh) | 一种对图像进行超分辨的方法 | |
CN112686097A (zh) | 一种人体图像关键点姿态估计方法 | |
CN107239727A (zh) | 手势识别方法和系统 | |
WO2022143354A1 (zh) | 虚拟对象的脸部生成方法、装置、设备和可读存储介质 | |
CN108229287A (zh) | 图像识别方法和装置、电子设备和计算机存储介质 | |
CN112149563A (zh) | 一种注意力机制人体图像关键点姿态估计方法及系统 | |
CN111445523A (zh) | 果实位姿计算方法、装置、计算机设备及存储介质 | |
CN104680492A (zh) | 基于样本结构一致性的图像修复方法 | |
CN113449612A (zh) | 一种基于子流型稀疏卷积的三维目标点云识别的方法 | |
CN104463962B (zh) | 基于gps信息视频的三维场景重建方法 | |
Liu et al. | Facial image inpainting using attention-based multi-level generative network | |
US20210224619A1 (en) | Image processing using generative graphical models | |
US20160217556A1 (en) | Systems and methods for automatic image enhancement utilizing feedback control | |
CN116152121B (zh) | 基于畸变参数的曲面屏生成方法、矫正方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20170929 |