CN108648188B - 一种基于生成对抗网络的无参考图像质量评价方法 - Google Patents

一种基于生成对抗网络的无参考图像质量评价方法 Download PDF

Info

Publication number
CN108648188B
CN108648188B CN201810459572.4A CN201810459572A CN108648188B CN 108648188 B CN108648188 B CN 108648188B CN 201810459572 A CN201810459572 A CN 201810459572A CN 108648188 B CN108648188 B CN 108648188B
Authority
CN
China
Prior art keywords
image
training
network
evaluated
quality evaluation
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.)
Active
Application number
CN201810459572.4A
Other languages
English (en)
Other versions
CN108648188A (zh
Inventor
桂冠
华文韬
熊健
杨洁
朱颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN201810459572.4A priority Critical patent/CN108648188B/zh
Publication of CN108648188A publication Critical patent/CN108648188A/zh
Application granted granted Critical
Publication of CN108648188B publication Critical patent/CN108648188B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于生成对抗网络的无参考图像质量评价方法，包括以下步骤：使用生成对抗网络来构建图像训练模型；将高清无损图像作为训练数据集送入图像训练模型中进行训练学习，通过训练前鉴别网络判别所输入图像块的真伪性，并得到具有训练完备鉴别网络的无参考图像质量评价模型；将待评价图像送入无参考图像质量评价模型中，通过训练完备鉴别网络对待评价图像进行打分，及对打分结果进行加权，从而得到待评价图像的评价结果。本方法不仅解决使用传统的无参考图像质量评价方法对待评价图像进行质量评价只能针对图像的某一失真类型或是根据特定应用而进行设计的缺陷，还可以解决现有的使用神经网络的评价方法面临着训练数据收集困难的困境。

Description

一种基于生成对抗网络的无参考图像质量评价方法
技术领域
本发明涉及一种无参考图像质量评价方法，特别是涉及一种基于生成对抗网络的无参考图像质量评价方法，属于深度学习技术领域。
背景技术
在无参考图像质量评价方法中，传统的评价方法主要集中于面向特定失真的图像质量评价。在面向特定失真的图像质量评价研究中，最为广泛的是对图像模糊和噪声的研究，另外还有针对块状效应的评价、针对JPEG压缩和JPEG2000压缩的评价等。但这些传统方法大多使用的是针对某一失真类型或根据特定应用进行设计的专用型模型，并且这类方法需要事先知道图像的失真类型，这也导致它们的推广与应用受到了限制。
随着深度学习理论的不断成熟，针对深度学习的无参考图像质量评价算法逐渐流行，如基于支持向量机(SVM)与基于卷积神经网络(CNN)建立学习模型的图像质量评价方法。这些基于深度学习的质量评价算法相比传统的无参考图像质量评价算法有了极大的提升，但它们的评价方法仍然受限于训练数据库的影响，并且有监督的训练模式也使得训练数据库的建立面临巨大的挑战。
发明内容
本发明的主要目的在于，克服现有技术中的不足，提供一种基于生成对抗网络的无参考图像质量评价方法，不仅解决使用传统的无参考图像质量评价方法对待评价图像进行质量评价只能针对图像的某一失真类型或是根据特定应用而进行设计的缺陷，还可以解决现有的使用神经网络的评价方法面临着训练数据收集困难的困境。
为了达到上述目的，本发明所采用的技术方案是：
一种基于生成对抗网络的无参考图像质量评价方法，包括以下步骤：
1)使用生成对抗网络来构建图像训练模型，所述生成对抗网络包括训练前生成网络和训练前鉴别网络；
2)将高清无损图像作为训练数据集送入图像训练模型中进行训练学习，通过训练前鉴别网络判别所输入图像块的真伪性，并得到具有训练完备鉴别网络的无参考图像质量评价模型；
3)将待评价图像送入无参考图像质量评价模型中，通过训练完备鉴别网络对待评价图像进行打分，及对打分结果进行加权，从而得到待评价图像的评价结果；
所述步骤2)将高清无损图像作为训练数据集送入图像训练模型中进行训练学习，并得到训练完备的无参考图像质量评价模型，具体为，
2-1)采用图像处理中的均匀分割法，将高清无损图像均匀的分割成若干个同等大小的高清无损图像方块，构成训练数据集；
2-2)将训练数据集送入图像训练模型中进行训练学习，使用训练前生成网络拟合训练数据集的数据分布；
再将随机噪声送入训练前生成网络，该训练前生成网络根据训练数据集的数据分布输出假数据样本；
2-3)将假数据样本与高清无损图像方块送入训练前鉴别网络进行鉴别输出判别结果，该训练前鉴别网络的输出通过sigmod激活函数量化至0～1之间；
其中，0表示训练前鉴别网络将输入图像的质量判别为差，1表示训练前鉴别网络将输入图像的质量判别为好；
所述sigmod激活函数为
Figure GDA0003358498290000021
其中，a为sigmod激活函数的输入即最后一层全连接神经网络的输出，e为自然常数；
2-4)计算判别结果与输入的高清无损图像方块的真实质量数值之间的误差，通过该误差来构建误差函数，并使用反向传播算法与梯度下降算法优化生成对抗网络的参数直至网络收敛至稳定；
所述3)将待评价图像送入无参考图像质量评价模型中，通过训练完备鉴别网络对待评价图像进行打分，及对打分结果进行加权，从而得到待评价图像的评价结果，具体为，
3-1)采用图像处理中的均匀分割法，将待评价图像均匀的分割成若干个同等大小的待评价图像方块，构成测试数据集；
3-2)将测试数据集送入无参考图像质量评价模型中，通过训练完备鉴别网络对每一个块待评价图像方块逐一进行打分；
3-3)对每一个块待评价图像方块的打分结果进行加权，从而得到待评价图像的评价结果。
本发明进一步设置为：所述训练前生成网络的输入是100维的随机噪声，该训练前生成网络根据训练数据集的数据分布，经过五次反卷积将100维的随机噪声转换为64*64*3的图像块，即为假数据样本。
本发明进一步设置为：所述训练前鉴别网络的输入为假数据样本或高清无损图像方块，经过五次卷积运算后，得到输入图像块为真实图像的概率值。
本发明进一步设置为：所述梯度下降算法，具体为，
2-4-A)假设当前神经元的预测值为f1(x)＝w0+w1x，
其中，w0,w1为当前神经元的偏置与权重，x为当前神经元的输入；
2-4-B)构造代价函数
Figure GDA0003358498290000031
其中，y为当前神经元的真实值，f1(x)为当前神经元的预测值；
2-4-C)更新当前神经元的偏置与权重，
Figure GDA0003358498290000032
其中，α为步长因子。
本发明进一步设置为：所述反向传播算法，具体为，
2-4-a)假设当前神经元的预测值为f1(x)＝w0+w1x，与当前神经元相连的下一层神经元预测值为f2(x)＝θ0+θ1x；
其中，w0,w1为当前神经元的偏置与权重，θ0,θ1为与当前神经元相连的下一层神经元的偏置与权重，x为当前神经元的输入；
2-4-b)构造代价函数
Figure GDA0003358498290000033
其中，Y表示待评价图像真实分数，Y'表示网络给出的预测值；
2-4-c)使用梯度下降法更新神经元的偏置与权重，首先更新θ0,θ1，
Figure GDA0003358498290000041
之后更新w0,w1，
Figure GDA0003358498290000042
其中α为步长因子，f1为当前神经元的预测值，f2为下一层神经元的预测值；
2-4-d)依次类推，更新各层神经元，直至网络收敛。
与现有技术相比，本发明具有的有益效果是：
将深度学习领域中的生成对抗网络引入到无参考图像质量评价领域中，提供一种采用卷积神经网络、生成对抗网络来实现的无参考图像质量评价方法，具体是，首先使用生成对抗网络来构建图像训练模型，接着将高清无损图像作为训练数据集送入图像训练模型进行训练学习，得到具有训练完备鉴别网络的无参考图像质量评价模型，最后将待评价图像送入训练完备鉴别网络，通过打分及加权从而得到最终评价结果。本方法不仅解决了传统无参考图像质量评价方法只能针对某一失真类型或根据特定应用进行设计的局限性，还利用生成对抗网络无监督的训练特性来改善现有深度神经网络训练数据收集困难，数据集难以建立的困境，其具有更好的实用性与实时交互性。
上述内容仅是本发明技术方案的概述，为了更清楚的了解本发明的技术手段，下面结合附图对本发明作进一步的描述。
附图说明
图1为本发明一种基于生成对抗网络的无参考图像质量评价方法的流程图；
图2为本发明所采用的训练前生成网络的结构示意图；
图3为本发明所采用的训练前鉴别网络的结构示意图。
具体实施方式
下面结合说明书附图，对本发明作进一步的说明。
本发明提供一种基于生成对抗网络的无参考图像质量评价方法，如图1所示，包括以下步骤：
1)使用生成对抗网络来构建图像训练模型，所述生成对抗网络包括训练前生成网络和训练前鉴别网络。
本发明实施例仅给出如图2和图3所示的五层结构的训练前生成网络和训练前鉴别网络，本发明方法不对其层数进行限定。
2)将高清无损图像作为训练数据集送入图像训练模型中进行训练学习，通过训练前鉴别网络判别所输入图像块的真伪性，并得到具有训练完备鉴别网络的无参考图像质量评价模型。
所述步骤2)，具体为，
2-1)采用图像处理中的均匀分割法，将高清无损图像均匀的分割成若干个同等大小的高清无损图像方块，构成训练数据集；
2-2)将训练数据集送入图像训练模型中进行训练学习，使用训练前生成网络拟合训练数据集的数据分布；
再将随机噪声送入训练前生成网络，该训练前生成网络根据训练数据集的数据分布输出假数据样本；
2-3)将假数据样本与高清无损图像方块送入训练前鉴别网络进行鉴别输出判别结果，该训练前鉴别网络的输出通过sigmod激活函数量化至0～1之间；
其中，0表示训练前鉴别网络将输入图像的质量判别为差，1表示训练前鉴别网络将输入图像的质量判别为好；
所述sigmod激活函数为
Figure GDA0003358498290000051
其中，a为sigmod激活函数的输入即最后一层全连接神经网络的输出，e为自然常数且值约为e≈2.718281828；
2-4)计算判别结果与输入的高清无损图像方块的真实质量数值之间的误差，通过该误差来构建误差函数，并使用反向传播算法与梯度下降算法优化生成对抗网络的参数直至网络收敛至稳定。
如图2所示，所述训练前生成网络的输入是100维的随机噪声，该训练前生成网络根据训练数据集的数据分布，经过五次反卷积将100维的随机噪声转换为64*64*3的图像块，即为假数据样本。
如图3所示，所述训练前鉴别网络的输入为假数据样本或高清无损图像方块，经过五次卷积运算后，得到输入图像块为真实图像的概率值。
所述梯度下降算法，具体为，
2-4-A)假设当前神经元的预测值为f1(x)＝w0+w1x，
其中，w0,w1为当前神经元的偏置与权重，x为当前神经元的输入；
2-4-B)构造代价函数
Figure GDA0003358498290000061
其中，y为当前神经元的真实值，f1(x)为当前神经元的预测值；
2-4-C)更新当前神经元的偏置与权重，
Figure GDA0003358498290000062
其中，α为步长因子。
所述反向传播算法，具体为，
2-4-a)假设当前神经元的预测值为f1(x)＝w0+w1x，与当前神经元相连的下一层神经元预测值为f2(x)＝θ0+θ1x；
其中，w0,w1为当前神经元(即第一层)的偏置与权重，θ0,θ1为与当前神经元相连的下一层(即第二层)神经元的偏置与权重，x为当前神经元的输入；
2-4-b)构造代价函数
Figure GDA0003358498290000063
其中，Y表示待评价图像真实分数，Y'表示网络给出的预测值；
2-4-c)使用梯度下降法更新神经元的偏置与权重，首先更新第二层神经元的偏置与权重θ0,θ1，
Figure GDA0003358498290000071
之后更新第一层神经元的偏置与权重w0,w1，
Figure GDA0003358498290000072
其中α为步长因子，f1为当前神经元的预测值，f2为下一层神经元的预测值；
2-4-d)依次类推，更新各层神经元，直至网络收敛。
3)将待评价图像送入无参考图像质量评价模型中，通过训练完备鉴别网络对待评价图像进行打分，及对打分结果进行加权，从而得到待评价图像的评价结果。
所述步骤3)，具体为，
3-1)采用图像处理中的均匀分割法，将待评价图像均匀的分割成若干个同等大小的待评价图像方块，构成测试数据集；
3-2)将测试数据集送入无参考图像质量评价模型中，通过训练完备鉴别网络对每一个块待评价图像方块逐一进行打分；
3-3)对每一个块待评价图像方块的打分结果进行加权，从而得到待评价图像的评价结果。
本发明的创新点在于，提供一种采用卷积神经网络、生成对抗网络来实现的无参考图像质量评价方法，能够高效快捷的对图像质量进行评价，具有更好的实用性与实时交互性。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种基于生成对抗网络的无参考图像质量评价方法，其特征在于，包括以下步骤：
1)使用生成对抗网络来构建图像训练模型，所述生成对抗网络包括训练前生成网络和训练前鉴别网络；
2)将高清无损图像作为训练数据集送入图像训练模型中进行训练学习，通过训练前鉴别网络判别所输入图像块的真伪性，并得到具有训练完备鉴别网络的无参考图像质量评价模型；
3)将待评价图像送入无参考图像质量评价模型中，通过训练完备鉴别网络对待评价图像进行打分，及对打分结果进行加权，从而得到待评价图像的评价结果；
所述步骤2)将高清无损图像作为训练数据集送入图像训练模型中进行训练学习，并得到训练完备的无参考图像质量评价模型，具体为，
2-1)采用图像处理中的均匀分割法，将高清无损图像均匀的分割成若干个同等大小的高清无损图像方块，构成训练数据集；
2-2)将训练数据集送入图像训练模型中进行训练学习，使用训练前生成网络拟合训练数据集的数据分布；
再将随机噪声送入训练前生成网络，该训练前生成网络根据训练数据集的数据分布输出假数据样本；
2-3)将假数据样本与高清无损图像方块送入训练前鉴别网络进行鉴别输出判别结果，该训练前鉴别网络的输出通过sigmod激活函数量化至0～1之间；
其中，0表示训练前鉴别网络将输入图像的质量判别为差，1表示训练前鉴别网络将输入图像的质量判别为好；
所述sigmod激活函数为
Figure FDA0003358498280000021
其中，a为sigmod激活函数的输入即最后一层全连接神经网络的输出，e为自然常数；
2-4)计算判别结果与输入的高清无损图像方块的真实质量数值之间的误差，通过该误差来构建误差函数，并使用反向传播算法与梯度下降算法优化生成对抗网络的参数直至网络收敛至稳定；
所述3)将待评价图像送入无参考图像质量评价模型中，通过训练完备鉴别网络对待评价图像进行打分，及对打分结果进行加权，从而得到待评价图像的评价结果，具体为，
3-1)采用图像处理中的均匀分割法，将待评价图像均匀的分割成若干个同等大小的待评价图像方块，构成测试数据集；
3-2)将测试数据集送入无参考图像质量评价模型中，通过训练完备鉴别网络对每一个块待评价图像方块逐一进行打分；
3-3)对每一个块待评价图像方块的打分结果进行加权，从而得到待评价图像的评价结果。
2.根据权利要求1所述的一种基于生成对抗网络的无参考图像质量评价方法，其特征在于：所述训练前生成网络的输入是100维的随机噪声，该训练前生成网络根据训练数据集的数据分布，经过五次反卷积将100维的随机噪声转换为64*64*3的图像块，即为假数据样本。
3.根据权利要求2所述的一种基于生成对抗网络的无参考图像质量评价方法，其特征在于：所述训练前鉴别网络的输入为假数据样本或高清无损图像方块，经过五次卷积运算后，得到输入图像块为真实图像的概率值。
4.根据权利要求1所述的一种基于生成对抗网络的无参考图像质量评价方法，其特征在于：所述梯度下降算法，具体为，
2-4-A)假设当前神经元的预测值为f1(x)＝w0+w1x，
其中，w0,w1为当前神经元的偏置与权重，x为当前神经元的输入；
2-4-B)构造代价函数
Figure FDA0003358498280000031
其中，y为当前神经元的真实值，f1(x)为当前神经元的预测值；
2-4-C)更新当前神经元的偏置与权重，
Figure FDA0003358498280000032
其中，α为步长因子。
5.根据权利要求1所述的一种基于生成对抗网络的无参考图像质量评价方法，其特征在于：所述反向传播算法，具体为，
2-4-a)假设当前神经元的预测值为f1(x)＝w0+w1x，与当前神经元相连的下一层神经元的预测值为f2(x)＝θ0+θ1x；
其中，w0,w1为当前神经元的偏置与权重，θ0,θ1为与当前神经元相连的下一层神经元的偏置与权重，x为当前神经元的输入；
2-4-b)构造代价函数
Figure FDA0003358498280000033
其中，Y表示待评价图像真实分数，Y'表示网络给出的预测值；
2-4-c)使用梯度下降法更新神经元的偏置与权重，首先更新θ0,θ1，
Figure FDA0003358498280000041
之后更新w0,w1，
Figure FDA0003358498280000042
其中，α为步长因子，f1为当前神经元的预测值，f2为下一层神经元的预测值；
2-4-d)依次类推，更新各层神经元，直至网络收敛。
CN201810459572.4A 2018-05-15 2018-05-15 一种基于生成对抗网络的无参考图像质量评价方法 Active CN108648188B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810459572.4A CN108648188B (zh) 2018-05-15 2018-05-15 一种基于生成对抗网络的无参考图像质量评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810459572.4A CN108648188B (zh) 2018-05-15 2018-05-15 一种基于生成对抗网络的无参考图像质量评价方法

Publications (2)

Publication Number Publication Date
CN108648188A CN108648188A (zh) 2018-10-12
CN108648188B true CN108648188B (zh) 2022-02-11

Family

ID=63755548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810459572.4A Active CN108648188B (zh) 2018-05-15 2018-05-15 一种基于生成对抗网络的无参考图像质量评价方法

Country Status (1)

Country Link
CN (1) CN108648188B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11087170B2 (en) * 2018-12-03 2021-08-10 Advanced Micro Devices, Inc. Deliberate conditional poison training for generative models
CN110111288B (zh) * 2019-04-15 2022-11-08 电子科技大学 基于深度辅助学习的图像增强及盲图质量评价网络系统
CN110176050B (zh) * 2019-05-30 2023-05-09 清华大学深圳研究生院 文本生成图像的美学优化方法
CN110222774A (zh) * 2019-06-10 2019-09-10 百度在线网络技术（北京）有限公司 非法图像鉴别方法、装置、内容安全防火墙及存储介质
CN110738132B (zh) * 2019-09-23 2022-06-03 中国海洋大学 一种具备判别性感知能力的目标检测质量盲评价方法
CN110782445A (zh) * 2019-10-25 2020-02-11 北京华捷艾米科技有限公司 无参考图像质量评价方法及系统
CN111127392B (zh) * 2019-11-12 2023-04-25 杭州电子科技大学 一种基于对抗生成网络的无参考图像质量评价方法
CN111127587B (zh) * 2019-12-16 2023-06-23 杭州电子科技大学 一种基于对抗生成网络的无参考图像质量地图生成方法
CN111369548B (zh) * 2020-03-10 2023-06-06 江南大学 一种基于生成对抗网络的无参考视频质量评价方法及装置
CN111583213B (zh) * 2020-04-29 2022-06-07 西安交通大学 一种基于深度学习和无参考质量评价的图像生成方法
CN111784693A (zh) * 2020-08-12 2020-10-16 成都佳华物链云科技有限公司 一种图像质量评估方法、装置、电子设备及存储介质
CN112348806B (zh) * 2020-11-14 2022-08-26 四川大学华西医院 一种无参考数字病理切片模糊度评价方法
CN112700425B (zh) * 2021-01-07 2024-04-26 云南电网有限责任公司电力科学研究院 一种用于电力设备x射线图像质量的判定方法
CN113379733B (zh) * 2021-07-08 2022-06-17 湖南工商大学 无参考图像质量评价的分块标签权重度量方法及设备
CN113554570B (zh) * 2021-08-04 2023-12-19 西安交通大学 一种基于深度学习的双域ct图像环状伪影去除方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102945552A (zh) * 2012-10-22 2013-02-27 西安电子科技大学 基于自然场景统计中稀疏表示的无参考图像质量评价方法
CN103475898A (zh) * 2013-09-16 2013-12-25 北京理工大学 一种基于信息熵特征的无参考图像质量评价方法
CN104581143A (zh) * 2015-01-14 2015-04-29 宁波大学 一种基于机器学习的无参考立体图像质量客观评价方法
CN105160678A (zh) * 2015-09-02 2015-12-16 山东大学 基于卷积神经网络的无参考立体图像质量评估方法
CN106296692A (zh) * 2016-08-11 2017-01-04 深圳市未来媒体技术研究院 基于对抗网络的图像显著性检测方法
CN106682694A (zh) * 2016-12-27 2017-05-17 复旦大学 一种基于深度学习的敏感图像识别方法
CN106845471A (zh) * 2017-02-20 2017-06-13 深圳市唯特视科技有限公司 一种基于生成对抗网络的视觉显著性预测方法
CN107392255A (zh) * 2017-07-31 2017-11-24 深圳先进技术研究院 少数类图片样本的生成方法、装置、计算设备及存储介质
CN107577985A (zh) * 2017-07-18 2018-01-12 南京邮电大学 基于循环生成对抗网络的人脸头像卡通化的实现方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9706111B2 (en) * 2015-07-08 2017-07-11 Santa Clara No-reference image and video quality evaluation

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102945552A (zh) * 2012-10-22 2013-02-27 西安电子科技大学 基于自然场景统计中稀疏表示的无参考图像质量评价方法
CN103475898A (zh) * 2013-09-16 2013-12-25 北京理工大学 一种基于信息熵特征的无参考图像质量评价方法
CN104581143A (zh) * 2015-01-14 2015-04-29 宁波大学 一种基于机器学习的无参考立体图像质量客观评价方法
CN105160678A (zh) * 2015-09-02 2015-12-16 山东大学 基于卷积神经网络的无参考立体图像质量评估方法
CN106296692A (zh) * 2016-08-11 2017-01-04 深圳市未来媒体技术研究院 基于对抗网络的图像显著性检测方法
CN106682694A (zh) * 2016-12-27 2017-05-17 复旦大学 一种基于深度学习的敏感图像识别方法
CN106845471A (zh) * 2017-02-20 2017-06-13 深圳市唯特视科技有限公司 一种基于生成对抗网络的视觉显著性预测方法
CN107577985A (zh) * 2017-07-18 2018-01-12 南京邮电大学 基于循环生成对抗网络的人脸头像卡通化的实现方法
CN107392255A (zh) * 2017-07-31 2017-11-24 深圳先进技术研究院 少数类图片样本的生成方法、装置、计算设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Hallucinated-IQA: No-Reference Image Quality Assessment via Adversarial Learning;Kwan-Yee Lin and Guanxiang Wang;《arXiv：1804.01681v1》;20180405;第1-10页 *
Image Quality Assessment Techniques Show Improved Training and Evaluation of Autoencoder Generative Adversarial Networks;Michael O. Vertolli and Jim Davies;《arXiv：1708.02237v1》;20170806;第1-10页 *
无参考视频质量评价方法研究;葛德;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170215(第2期);第I138-3639页 *

Also Published As

Publication number Publication date
CN108648188A (zh) 2018-10-12

Similar Documents

Publication Publication Date Title
CN108648188B (zh) 一种基于生成对抗网络的无参考图像质量评价方法
CN105138973B (zh) 人脸认证的方法和装置
CN111563275B (zh) 一种基于生成对抗网络的数据脱敏方法
CN109308696B (zh) 基于层级特征融合网络的无参考图像质量评价方法
CN109800710B (zh) 行人重识别系统及方法
CN109063724B (zh) 一种增强型生成式对抗网络以及目标样本识别方法
CN103927531B (zh) 一种基于局部二值和粒子群优化bp神经网络的人脸识别方法
CN112116601B (zh) 基于生成对抗残差网络的压缩感知采样重建方法及系统
CN110287777B (zh) 一种自然场景下的金丝猴躯体分割算法
CN111160533A (zh) 一种基于跨分辨率知识蒸馏的神经网络加速方法
CN111242063A (zh) 基于迁移学习的小样本分类模型构造方法及虹膜分类应用
CN114419413A (zh) 感受野自适应的变电站绝缘子缺陷检测神经网络构建方法
CN116312782B (zh) 一种融合影像基因数据的空间转录组spot区域聚类方法
CN107784296A (zh) 一种低分辨率图像的人脸识别方法
CN112580502B (zh) 基于sicnn的低质量视频人脸识别方法
CN111523483B (zh) 中餐菜品图像识别方法及装置
CN112263224B (zh) 一种基于fpga边缘计算的医学信息处理方法
CN112613479A (zh) 基于轻量流式网络和注意力机制的表情识别方法
CN116977725A (zh) 一种基于改进卷积神经网络的异常行为识别方法及装置
CN115565019A (zh) 基于深度自监督生成对抗的单通道高分辨sar图像地物分类方法
CN116091823A (zh) 一种基于快速分组残差模块的单特征无锚框目标检测方法
CN115131605A (zh) 一种基于自适应子图的结构感知图对比学习方法
CN118155251A (zh) 一种基于语义通信式联邦学习的掌静脉识别方法
CN116778233B (zh) 一种基于图神经网络的不完全深度多视图半监督分类方法
CN117095217A (zh) 多阶段对比知识蒸馏方法

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
GR01 Patent grant
GR01 Patent grant