CN108038818A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN108038818A CN108038818A CN201711274984.2A CN201711274984A CN108038818A CN 108038818 A CN108038818 A CN 108038818A CN 201711274984 A CN201711274984 A CN 201711274984A CN 108038818 A CN108038818 A CN 108038818A
- Authority
- CN
- China
- Prior art keywords
- image
- wave filter
- length
- style
- convolution kernel
- 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.)
- Pending
Links
- 238000012546 transfer Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000006870 function Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 6
- 238000000576 coating method Methods 0.000 claims description 30
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims 1
- 230000006798 recombination Effects 0.000 claims 1
- 238000013507 mapping Methods 0.000 abstract description 12
- 238000010422 painting Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000013480 data collection Methods 0.000 abstract description 3
- 238000003475 lamination Methods 0.000 description 16
- 150000001875 compounds Chemical class 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明属于图像处理、计算机视觉、深度学习领域,具体为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。该方法包括:基于卷积神经网络和残差连接的生成器、判别器,基于多重循环一致性和生成对抗式网络的损失函数训练,实现了照片等内容图像到工笔画等风格图像的映射。本发明能够有效地解决涵盖几何变化的图像风格转移任务,另外,该方法不仅不需要一一对应的配对数据集,而且可以同时学习内容图片到风格图片的映射和风格图片到内容图片的映射。
Description
技术领域
本发明属于图像处理,计算机视觉,深度学习领域,具体为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。
背景技术
近年来,随着深度学习的进步,图像风格转移技术也有了重要的发展。2016年,Leon A.Gatys发表了论文“Image Style Transfer Using Convolutional NeuralNetworks”,利用深度学习算法来进行图像风格转移,其背后的原理是利用卷积神经网络对不同尺度下的内容特征和风格特征进行分离,从而使图像风格转移变得简单可行。2017年,Jun-Yan Zhu发表了论文“Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks”,利用循环一致性和生成对抗式网络进行图像到图像的映射学习,该方法不仅不需要一一对应的配对数据集,而且可以同时学习内容图片到风格图片的映射和风格图片到内容图片的映射。在涉及颜色和纹理变化的风格转移任务中,这些方法通常能取得较好的效果,但是面对涵盖几何变化的任务时,这些方法往往结果很差,比如将照片转化成国画、山水画、工笔画等风格的图片。当前亟待解决的问题是找到一种图像风格转移的普适性方法。
发明内容
针对上述存在问题或不足,本发明将CycleGAN中的循环一致性扩展为多重循环一致性,在内容图片和风格图片的映射路径上加入素描图片的中间映射,能够有效地解决涵盖几何变化的图像风格转移任务。
本发明采用的技术方案是:
(1)基于残差块的生成器。
(2)基于卷积神经网络的判别器。
(3)基于多重循环一致性和生成对抗式网络的损失函数训练。
(4)使用(3)训练的深度神经网络,由照片图像生成风格图像,或者由风格图像生成照片图像。
所述步骤(1)中的生成器网络具体包括:
(11)生成器的输入图像依次通过卷积核大小为7、步长为1、滤波器数量为32的卷积层,InstanceNorm层,ReLu激活层。
(12)将(11)的输出特征依次通过卷积核大小为3、步长为2、滤波器数量为64的卷积层,InstanceNorm层,ReLu激活层。
(13)将(12)的输出特征依次通过卷积核大小为3、步长为2、滤波器数量为128的卷积层,InstanceNorm层,ReLu激活层。
(14)将(13)的输出特征依次通过6个卷积核大小为3、步长为1、滤波器数量为128的残差块。
(15)将(14)的输出特征依次通过卷积核大小为3、步长为1/2、滤波器数量为64的卷积层,InstanceNorm层,ReLu激活层。
(16)将(15)的输出特征依次通过卷积核大小为3、步长为1/2、滤波器数量为32的卷积层,InstanceNorm层,ReLu激活层。
(17)将(16)的输出特征依次通过卷积核大小为7、步长为1、滤波器数量为32的卷积层,InstanceNorm层,ReLu激活层。
所述步骤(2)中的判别器网络具体包括:
(21)判别器的输入特征依次通过卷积核大小为4、步长为2、滤波器数量为64的卷积层,LeakyReLu激活层。
(22)将(21)的输出特征依次通过卷积核大小为4、步长为2、滤波器数量为128的卷积层,InstanceNorm层,LeakyReLu激活层。
(23)将(22)的输出特征依次通过卷积核大小为4、步长为2、滤波器数量为256的卷积层,InstanceNorm层,LeakyReLu激活层。
(24)将(23)的输出特征依次通过卷积核大小为4、步长为2、滤波器数量为512的卷积层,InstanceNorm层,LeakyReLu激活层。
(25)将(24)的输出特征展平,通过softmax函数将网络输出归一化。
所述步骤(3)中的基于多重循环一致性和生成对抗式网络的损失函数训练具体包括:
(31)输入图像包括三个集合其中X为照片图像集合,Z为素描图像集合,Y为风格图像集合。网络包括四个生成器G1:X→Z,G2:Z→Y,F1:Z→X,F2:Y→Z和三个判别器DX,DY,DZ。
(32)使用随机梯度下降法进行训练,采用对抗损失和循环一致性损失构成的复合损失函数,计算公式如下:
L(G1,F1,G2,F2,X,Y,Z)=LGAN(G1,DZ,X,Z)
+LGAN(G2,DY,Z,Y)
+LGAN(F2,DZ,Y,Z)
+LGAN(F1,DX,Z,X)
+λ1Lcyc(G1,F1)
+λ1Lcyc(G2,F2)
+λ2Lcyc(G1,F1,G2,F2)
所述步骤(4)中的风格转移具体包括:
(41)由照片图像生成风格图像:X→Z→Y,即先由照片图像生成素描图像,再由素描图像生成风格图像。
(42)由风格图像生成照片图像:Y→Z→X,即先由风格图像生成素描图像,再由素描图像生成照片图像。
本发明的有益效果是:
本发明将CycleGAN中的循环一致性扩展为多重循环一致性,在内容图片和风格图片的映射路径上加入素描图片的中间映射,能够有效地解决涵盖几何变化的图像风格转移任务。另外,该方法不仅不需要一一对应的配对数据集,而且可以同时学习内容图片到风格图片的映射和风格图片到内容图片的映射。
附图说明
图1是多重循环一致性的生成对抗式网络的结构图
图2是实施例的照片图像
图3是实施例的工笔画风格转移图像
具体实施方式
以下将结合附图对本发明进行详细描述。
本发明公开了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,具体实施步骤包括:
(1)基于残差块的生成器。
(2)基于卷积神经网络的判别器。
(3)基于多重循环一致性和生成对抗式网络的损失函数训练,其结构如图1所示。
(4)使用(3)训练的深度神经网络,由照片图像生成风格图像,或者由风格图像生成照片图像。
所述步骤(1)中的生成器网络具体包括:
(11)生成器的输入图像依次通过卷积核大小为7、步长为1、滤波器数量为32的卷积层,InstanceNorm层,ReLu激活层。
(12)将(11)的输出特征依次通过卷积核大小为3、步长为2、滤波器数量为64的卷积层,InstanceNorm层,ReLu激活层。
(13)将(12)的输出特征依次通过卷积核大小为3、步长为2、滤波器数量为128的卷积层,InstanceNorm层,ReLu激活层。
(14)将(13)的输出特征依次通过6个卷积核大小为3、步长为1、滤波器数量为128的残差块。
(15)将(14)的输出特征依次通过卷积核大小为3、步长为1/2、滤波器数量为64的卷积层,InstanceNorm层,ReLu激活层。
(16)将(15)的输出特征依次通过卷积核大小为3、步长为1/2、滤波器数量为32的卷积层,InstanceNorm层,ReLu激活层。
(17)将(16)的输出特征依次通过卷积核大小为7、步长为1、滤波器数量为32的卷积层,InstanceNorm层,ReLu激活层。
所述步骤(2)中的判别器网络具体包括:
(21)判别器的输入特征依次通过卷积核大小为4、步长为2、滤波器数量为64的卷积层,LeakyReLu激活层。
(22)将(21)的输出特征依次通过卷积核大小为4、步长为2、滤波器数量为128的卷积层,InstanceNorm层,LeakyReLu激活层。
(23)将(22)的输出特征依次通过卷积核大小为4、步长为2、滤波器数量为256的卷积层,InstanceNorm层,LeakyReLu激活层。
(24)将(23)的输出特征依次通过卷积核大小为4、步长为2、滤波器数量为512的卷积层,InstanceNorm层,LeakyReLu激活层。
(25)将(24)的输出特征展平,通过softmax函数将网络输出归一化。
所述步骤(3)中的基于多重循环一致性和生成对抗式网络的损失函数训练具体包括:
(31)输入图像包括三个集合其中X为照片图像集合,Z为素描图像集合,Y为风格图像集合。网络包括四个生成器G1:X→Z,G2:Z→Y,F1:Z→X,F2:Y→Z和三个判别器DX,DY,DZ。
(32)使用随机梯度下降法进行训练,采用对抗损失和循环一致性损失构成的复合损失函数,计算公式如下:
L(G1,F1,G2,F2,X,Y,Z)=LGAN(G1,DZ,X,Z)
+LGAN(G2,DY,Z,Y)
+LGAN(F2,DZ,Y,Z)
+LGAN(F1,DX,Z,X)
+λ1Lcyc(G1,F1)
+λ1Lcyc(G2,F2)
+λ2Lcyc(G1,F1,G2,F2)
所述步骤(4)中的风格转移具体包括:
(41)由照片图像生成风格图像:X→Z→Y,即先由照片图像生成素描图像,再由素描图像生成风格图像。
(42)由风格图像生成照片图像:Y→Z→X,即先由风格图像生成素描图像,再由素描图像生成照片图像。
照片图像如图2所示,产生的工笔画风格转移图像如图3所示。实验结果表明,本发明能够有效地实现图像风格转移,尤其是解决了涵盖几何变化的图像风格转移任务。
Claims (5)
1.一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,其特征在于,所述方法包括:
(1)基于残差块的生成器;
(2)基于卷积神经网络的判别器;
(3)基于多重循环一致性和生成对抗式网络的损失函数训练;
(4)使用(3)训练的深度神经网络,由照片图像生成风格图像,或者由风格图像生成照片图像。
2.根据权利要求1所述的方法,其特征在于,所述步骤(1)中具体包括:
(11)生成器的输入图像依次通过卷积核大小为7、步长为1、滤波器数量为32的卷积层,InstanceNorm层,ReLu激活层;
(12)将(11)的输出特征依次通过卷积核大小为3、步长为2、滤波器数量为64的卷积层,InstanceNorm层,ReLu激活层;
(13)将(12)的输出特征依次通过卷积核大小为3、步长为2、滤波器数量为128的卷积层,InstanceNorm层,ReLu激活层;
(14)将(13)的输出特征依次通过6个卷积核大小为3、步长为1、滤波器数量为128的残差块;
(15)将(14)的输出特征依次通过卷积核大小为3、步长为1/2、滤波器数量为64的卷积层,InstanceNorm层,ReLu激活层;
(16)将(15)的输出特征依次通过卷积核大小为3、步长为1/2、滤波器数量为32的卷积层,InstanceNorm层,ReLu激活层;
(17)将(16)的输出特征依次通过卷积核大小为7、步长为1、滤波器数量为32的卷积层,InstanceNorm层,ReLu激活层。
3.根据权利要求1所述的方法,其特征在于,所述步骤(2)中具体包括:
(21)判别器的输入特征依次通过卷积核大小为4、步长为2、滤波器数量为64的卷积层,LeakyReLu激活层;
(22)将(21)的输出特征依次通过卷积核大小为4、步长为2、滤波器数量为128的卷积层,InstanceNorm层,LeakyReLu激活层;
(23)将(22)的输出特征依次通过卷积核大小为4、步长为2、滤波器数量为256的卷积层,InstanceNorm层,LeakyReLu激活层;
(24)将(23)的输出特征依次通过卷积核大小为4、步长为2、滤波器数量为512的卷积层,InstanceNorm层,LeakyReLu激活层;
(25)将(24)的输出特征展平,通过softmax函数将网络输出归一化。
4.根据权利要求1所述的方法,其特征在于,所述步骤(3)中具体包括:
(31)输入图像包括三个集合其中X为照片图像集合,Z为素描图像集合,Y为风格图像集合,网络包括四个生成器G1:X→Z,G2:Z→Y,F1:Z→X,F2:Y→Z和三个判别器DX,DY,DZ;
(32)使用随机梯度下降法进行训练,采用对抗损失和循环一致性损失构成的复合损失函数,计算公式如下:
L(G1,F1,G2,F2,X,Y,Z)=LGAN(G1,DZ,X,Z)
+LGAN(G2,DY,Z,Y)
+LGAN(F2,DZ,Y,Z)
+LGAN(F1,DX,Z,X)
+λ1Lcyc(G1,F1)
+λ1Lcyc(G2,F2)
+λ2Lcyc(G1,F1,G2,F2)。
5.根据权利要求1所述的方法,其特征在于,所述步骤(4)中具体包括:
(41)由照片图像生成风格图像:X→Z→Y,即先由照片图像生成素描图像,再由素描图像生成风格图像;
(42)由风格图像生成照片图像:Y→Z→X,即先由风格图像生成素描图像,再由素描图像生成照片图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711274984.2A CN108038818A (zh) | 2017-12-06 | 2017-12-06 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711274984.2A CN108038818A (zh) | 2017-12-06 | 2017-12-06 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108038818A true CN108038818A (zh) | 2018-05-15 |
Family
ID=62095409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711274984.2A Pending CN108038818A (zh) | 2017-12-06 | 2017-12-06 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108038818A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108711137A (zh) * | 2018-05-18 | 2018-10-26 | 西安交通大学 | 一种基于深度卷积神经网络的图像色彩表达模式迁移方法 |
CN109190620A (zh) * | 2018-09-03 | 2019-01-11 | 苏州科达科技股份有限公司 | 车牌样本生成方法、系统、设备及存储介质 |
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 |
CN109408776A (zh) * | 2018-10-09 | 2019-03-01 | 西华大学 | 一种基于生成式对抗网络的书法字体自动生成算法 |
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 |
CN110097604A (zh) * | 2019-05-09 | 2019-08-06 | 杭州筑象数字科技有限公司 | 图像颜色风格转移方法 |
CN110197517A (zh) * | 2019-06-11 | 2019-09-03 | 常熟理工学院 | 基于多域循环一致性对抗生成网络的sar图像上色方法 |
CN110428476A (zh) * | 2019-07-05 | 2019-11-08 | 广东省人民医院(广东省医学科学院) | 一种基于多循环生成式对抗网络的图像转换方法及装置 |
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 |
CN111144361A (zh) * | 2019-12-31 | 2020-05-12 | 合肥湛达智能科技有限公司 | 一种基于二值化cgan网络的公路车道检测方法 |
CN111161137A (zh) * | 2019-12-31 | 2020-05-15 | 四川大学 | 一种基于神经网络的多风格国画花生成方法 |
CN112288622A (zh) * | 2020-10-29 | 2021-01-29 | 中山大学 | 一种基于多尺度生成对抗网络的伪装图像生成方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220929A (zh) * | 2017-06-23 | 2017-09-29 | 深圳市唯特视科技有限公司 | 一种使用循环一致对抗网络的非成对图像转化方法 |
CN107392316A (zh) * | 2017-06-30 | 2017-11-24 | 北京奇虎科技有限公司 | 网络训练方法、装置、计算设备及计算机存储介质 |
-
2017
- 2017-12-06 CN CN201711274984.2A patent/CN108038818A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220929A (zh) * | 2017-06-23 | 2017-09-29 | 深圳市唯特视科技有限公司 | 一种使用循环一致对抗网络的非成对图像转化方法 |
CN107392316A (zh) * | 2017-06-30 | 2017-11-24 | 北京奇虎科技有限公司 | 网络训练方法、装置、计算设备及计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
QUAN HOANG等: "Training generative adversarialnets with multiple generators", 《ARXIV.ORG》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108711137A (zh) * | 2018-05-18 | 2018-10-26 | 西安交通大学 | 一种基于深度卷积神经网络的图像色彩表达模式迁移方法 |
CN108711137B (zh) * | 2018-05-18 | 2020-08-18 | 西安交通大学 | 一种基于深度卷积神经网络的图像色彩表达模式迁移方法 |
CN109190620A (zh) * | 2018-09-03 | 2019-01-11 | 苏州科达科技股份有限公司 | 车牌样本生成方法、系统、设备及存储介质 |
CN109408776A (zh) * | 2018-10-09 | 2019-03-01 | 西华大学 | 一种基于生成式对抗网络的书法字体自动生成算法 |
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 |
CN110097604A (zh) * | 2019-05-09 | 2019-08-06 | 杭州筑象数字科技有限公司 | 图像颜色风格转移方法 |
CN110197517A (zh) * | 2019-06-11 | 2019-09-03 | 常熟理工学院 | 基于多域循环一致性对抗生成网络的sar图像上色方法 |
CN110197517B (zh) * | 2019-06-11 | 2023-01-31 | 常熟理工学院 | 基于多域循环一致性对抗生成网络的sar图像上色方法 |
CN110428476A (zh) * | 2019-07-05 | 2019-11-08 | 广东省人民医院(广东省医学科学院) | 一种基于多循环生成式对抗网络的图像转换方法及装置 |
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 |
CN111144361A (zh) * | 2019-12-31 | 2020-05-12 | 合肥湛达智能科技有限公司 | 一种基于二值化cgan网络的公路车道检测方法 |
CN111161137A (zh) * | 2019-12-31 | 2020-05-15 | 四川大学 | 一种基于神经网络的多风格国画花生成方法 |
CN112288622A (zh) * | 2020-10-29 | 2021-01-29 | 中山大学 | 一种基于多尺度生成对抗网络的伪装图像生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038818A (zh) | 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 | |
Dolhansky et al. | Eye in-painting with exemplar generative adversarial networks | |
Xia et al. | Gan inversion: A survey | |
Laffont et al. | Coherent intrinsic images from photo collections | |
Svoboda et al. | Two-stage peer-regularized feature recombination for arbitrary image style transfer | |
Luan et al. | Deep photo style transfer | |
CN108764024A (zh) | 人脸识别模型的生成装置、方法及计算机可读存储介质 | |
Jacobson et al. | Fast automatic skinning transformations | |
Ju et al. | Recovering surface normal and arbitrary images: A dual regression network for photometric stereo | |
CN109919869A (zh) | 一种图像增强方法、装置及存储介质 | |
WO2022205760A1 (zh) | 三维人体重建方法、装置、设备及存储介质 | |
CN110660037A (zh) | 图像间脸部交换的方法、装置、系统和计算机程序产品 | |
WO2022205762A1 (zh) | 三维人体重建方法、装置、设备及存储介质 | |
CN107767380A (zh) | 一种基于全局空洞卷积的高分辨率复合视野皮肤镜图像分割方法 | |
Singh et al. | Neural style transfer: A critical review | |
CN110223370A (zh) | 一种从单视点图片生成完整人体纹理贴图的方法 | |
CN108961220A (zh) | 一种基于多层卷积特征融合的图像协同显著性检测方法 | |
CN112232106A (zh) | 一种二维到三维人体姿态估计方法 | |
Ji et al. | Geometry-aware single-image full-body human relighting | |
Karakottas et al. | 360 surface regression with a hyper-sphere loss | |
Meka et al. | Real-time global illumination decomposition of videos | |
Lin et al. | Layerbuilder: Layer decomposition for interactive image and video color editing | |
Li et al. | High-resolution network for photorealistic style transfer | |
Ke et al. | Neural preset for color style transfer | |
CN109410148A (zh) | 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 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180515 |