CN110675353A - 一种基于条件生成对抗网络的选择分割图像合成方法 - Google Patents
一种基于条件生成对抗网络的选择分割图像合成方法 Download PDFInfo
- Publication number
- CN110675353A CN110675353A CN201910820033.3A CN201910820033A CN110675353A CN 110675353 A CN110675353 A CN 110675353A CN 201910820033 A CN201910820033 A CN 201910820033A CN 110675353 A CN110675353 A CN 110675353A
- Authority
- CN
- China
- Prior art keywords
- network
- target
- image
- synthesized
- generation
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 23
- 238000001308 synthesis method Methods 0.000 title abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000002194 synthesizing effect Effects 0.000 claims description 7
- 239000002131 composite material Substances 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 abstract description 10
- 238000003786 synthesis reaction Methods 0.000 abstract description 10
- 230000008447 perception Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 abstract description 3
- 238000003709 image segmentation Methods 0.000 abstract description 3
- 230000009182 swimming Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于条件生成对抗网络的选择分割图像合成方法,属于图像合成技术领域。本发明结合条件生成对抗网络的典型图像生成架构,将图像分割逆应用选择来进行图像间对象和背景的语义合成,为获取待合成目标d,将输入图像及其对应匹配的图像掩膜进行实例分割后,将待合成目标d作为约束条件变量和高斯随机噪声z联合输入到生成网络G中,生成的图像G(z|d)包含对象d,再和背景目标训练集t输入到判别网络D中,将训练集t中的背景和生成图像G(z|d)进行语义合成,再根据二元极小值极大博弈目标函数来提高生成网络G和判别网络D的性能,以合成质量高、符合人类感知的有意义图像。
Description
技术领域
本发明涉及图像合成技术领域、深度学习技术领域,尤其涉及一种基于条件生成对抗网络的选择分割图像合成方法。
背景技术
条件生成对抗网络(Conditional Generative Adversarial Network,CGAN)是在生成对抗网络(Generative Adversarial Network,GAN)的基础上,给生成器(Generator)和判别器(Discriminator)的建模过程均引入了条件变量,使得能够有条件地指导生成器的数据生成,将原来完全自由无监督的生成对抗网络改进为有条件监督的条件生成对抗网络。其中,条件变量c可以是基于多种信息的,例如类别标签,用于图像修复的部分数据以及来自不同模态的数据等。通过将条件变量引入到生成对抗网络模型中,能显著提升生成图像的质量和加快模型运行的速度。
图像分割是通过阈值分割、区域分割和边缘分割等常用分割方法,从图像中提取出具有清晰轮廓的感兴趣区域。
图像合成主要利用图像中不同对象间亮度、轮廓、质感等相关语义信息,通过不同对象组合后简单的交互验证来获取符合人类感知的有意义图像,目前主要的图像合成方法是人为通过软件进行手工合成,为了保证合成图像的质量,需要大量繁琐重复的人工合成和验证。
发明内容
本发明的发明目的在于:针对上述存在的问题,提供一种速度快、合成图像质量高的图像合成方法。
本发明的基于条件生成对抗网络的选择分割图像合成方法,包括下列步骤:
步骤1:获取输入图像的待合成目标dk;
基于输入图像中的某个指定类别对象x所包含的多个可分割对象x1,x2,…,xn,以及n个可分割对象的各自对应的掩膜m1,m2,…,mn,对输入图像进行语义分割和实例分割的先后处理,得到n个分割目标d1,d2,…,dn;其中n表示类别对象x所包含的可分割对象个数;
从n个分割目标d1,d2,…,dn中选取一个与合成需求匹配的分割目标作为输入图像的待合成目标dk;其中待合成目标dk与输入图像大小相同;
步骤2:设置生成网络G:
所述生成网络G用于学习背景目标训练集中的背景分布;
将待合成目标dk和先验高斯随机噪声p(z)联合输入到生成网络G中,其中待合成目标dk作为条件生成对抗网络中的条件变量,得到的输出记为G(z);
即生成网络G构建了一个从联合输入变量(dk,p(z))到数据空间的映射函数G(z),其中dk和p(z)共同组成联合隐层表征;
步骤3:设置判别网络D:
将生成网络G的输出G(z)和背景目标训练集作为判别网络D的输入,当输入为G(z)时,判别网络D输出一个标量,表示输入样本是来自训练样本而非生成样本的概率,进而判别样本标签真或假;当输入为背景目标训练集时,训练判别网络D以提高判别网络D对输入样本标签的判断能力;
并对生成网络G和判别网络D同时进行优化处理:
3)优化生成网络G时,固定判别网络D,在条件变量d的约束下,最小化其中,E表示输出期望,条件变量d为待合成目标dk,z~pz(z)表示随机高斯噪声z的先验高斯分布,D(G(z|d|)表示判别网络D对约束条件(条件变量d)下的生成网络G的输出的真假判别;
当判别网络D输出概率满足预设条件时,停止对成网络G和判别网络D的优化处理;例如当判别网络D输出概率接近0.5时,停止对成网络G和判别网络D的优化处理。
步骤4:输出合成图像:
在优化处理后的生成网络G中输入与待合成目标dk相同类别的当前待合成目标,基于其输出得到当前待合成目标的合成图像。
综上所述,由于采用了上述技术方案,本发明的有益效果是:相比于传统的图像合成方法,本方法结合多种技术框架,合成图片的速度更快,质量更高。
附图说明
图1为本发明合成处理过程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合实施方式和附图,对本发明作进一步地详细描述。
参见图1,本发明的基于条件生成对抗网络的选择分割图像合成方法的具体实现过程如下:
步骤一:获取输入图像I的待合成目标dk。
将输入图像I中的某指定类别x所包含的n个可分割对象记为:x={x1,x2,...,xn};这n个可分割对象对应的Mask(掩膜)分别为Mask={m1,m2,...,mn},经过语义分割和实例分割的先后处理,获取待合成的目标dk,dk∈{d1,d2,...,dn},其中d1,d2,…,dn表示n个不同的分割目标,k≤n且图像dk的尺寸和输入图像I的大小相同。
步骤二:生成网络G。
将待合成目标dk和先验高斯随机噪声p(z)联合输入到生成网络中,其中待合成目标dk作为条件生成对抗网络中的条件变量,为了学习背景目标训练集中的背景分布,生成网络G构建了一个从联合输入变量(dk,p(z))到数据空间的映射函数G(z),其中dk和p(z)共同组成了联合隐层表征,而在联合隐层表征的组合方式上,条件对抗训练网络提供相当大的灵活性,这就允许当要合成不同类型的图像对象时,可采用基于多种信息的条件变量,例如类别标签、来自不同模态的特征数据等,来寻找生成高质量合成图像的最优条件变量。
步骤三:判别网络D。
将生成网络G的输出G(z)和背景目标训练集作为判别网络D的输入,当输入为G(z)时,判别网络D输出一个标量,表示输入样本是来自训练样本而非生成样本的概率,进而判别样本标签真(real)或假(fake)。当输入为背景目标训练集时,训练判别网络D以提高判别网络D对输入样本标签的判断能力。条件生成对抗网络的优化过程可总结为带有条件约束的二元极小值极大博弈(two-player minimax game),其目标函数如下:
其中,t~pdata(t)表示背景目标训练集t的背景分布,z~pz(z)表示随机高斯噪声z的先验高斯分布,条件变量d为待合成目标,E为输出期望。
生成网络G和判别网络D同时进行优化:
步骤四:验证输出。
在条件生成对抗网络的优化过程中,随着生成网络G和判别网络D损失的不断下降,当判别网络D输出概率接近0.5时(即输出概率与0.5的偏差不超过预设偏差阈值),停止训练,保存模型。此时输入相同类别的待合成目标,生成网络G输出质量高、符合人类感知的合成图像。
例如将本发明提出的选择分割图像合成方法,应用在泳池背景下人群中的单个人的分割,即将在泳池背景下人群中的某个人分割出来,形成待合成目标d;与随机高斯噪声输入到生成网络G中,在已有的沙滩背景训练集下,与待合成目标d一起输入到判别网络D中,进行判别真假,条件生成对抗网络经过不断优化后,达到训练条件。此时输入同一类别中的另一个人d’,生成网络可得到高质量的合成图像。
本发明结合条件生成对抗网络的典型图像生成架构,将图像分割逆应用选择来进行图像间对象和背景的语义合成。为获取待合成目标d,将输入图像x及其对应匹配的图像Mask进行实例分割后,将待合成目标d作为约束条件变量和高斯随机噪声z联合输入到生成网络G中,生成的图像G(z|d)包含对象d,再和背景人像训练集t输入到判别网络中,将训练集t中的背景和生成图像G(z|d)进行语义合成,再根据二元极小值极大博弈目标函数来提高生成网络G和判别网络D的性能,以合成质量高、符合人类感知的有意义图像。
本发明相比于传统的图像合成方法,本方法结合多种技术框架,合成图片的速度更快,质量更高。
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
Claims (2)
1.一种基于条件生成对抗网络的选择分割图像合成方法,其特征在于,包括下列步骤:
步骤1:获取输入图像的待合成目标dk;
基于输入图像中的某个指定类别对象x所包含的多个可分割对象x1,x2,…,xn,以及n个可分割对象的各自对应的掩膜m1,m2,…,mn,对输入图像进行语义分割和实例分割的先后处理,得到n个分割目标d1,d2,…,dn;其中n表示类别对象x所包含的可分割对象个数;
从n个分割目标d1,d2,…,dn中选取一个与待合成需求匹配的分割目标作为输入图像的待合成目标dk;
步骤2:设置生成网络G:
所述生成网络G用于学习背景目标训练集中的背景分布;
将待合成目标dk和先验高斯随机噪声p(z)联合输入到生成网络G中,其中待合成目标dk作为条件生成对抗网络中的条件变量,得到的输出记为G(z);
即生成网络G构建了一个从联合输入变量(dk,p(z))到数据空间的映射函数G(z),其中dk和p(z)共同组成联合隐层表征;
步骤3:设置判别网络D:
将生成网络G的输出G(z)和背景目标训练集作为判别网络D的输入,当输入为G(z)时,判别网络D输出一个标量,表示输入样本是来自训练样本而非生成样本的概率,进而判别样本标签真或假;当输入为背景目标训练集时,训练判别网络D以提高判别网络D对输入样本标签的判断能力;
并对生成网络G和判别网络D同时进行优化处理:
1)优化生成网络G时,固定判别网络D,在条件变量d的约束下,最小化其中,E表示输出期望,条件变量d为待合成目标dk,z~pz(z)表示随机高斯噪声z的先验高斯分布,D(G(z|d|)表示判别网络D在约束条件下的生成网络G的输出的真假判别;
当判别网络D输出概率满足预设条件时,停止对成网络G和判别网络D的优化处理;
步骤4:输出合成图像:
在优化处理后的生成网络G中输入与待合成目标dk相同类别的当前待合成目标,基于其输出得到当前待合成目标的合成图像。
2.如权利要求1所述的方法,其特征在于,当判别网络D输出概率接近0.5时,停止对成网络G和判别网络D的优化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910820033.3A CN110675353A (zh) | 2019-08-31 | 2019-08-31 | 一种基于条件生成对抗网络的选择分割图像合成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910820033.3A CN110675353A (zh) | 2019-08-31 | 2019-08-31 | 一种基于条件生成对抗网络的选择分割图像合成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110675353A true CN110675353A (zh) | 2020-01-10 |
Family
ID=69076187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910820033.3A Pending CN110675353A (zh) | 2019-08-31 | 2019-08-31 | 一种基于条件生成对抗网络的选择分割图像合成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110675353A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209850A (zh) * | 2020-01-04 | 2020-05-29 | 圣点世纪科技股份有限公司 | 一种基于改进cGAN网络生成适用多设备识别指静脉图像的方法 |
CN111476241A (zh) * | 2020-03-04 | 2020-07-31 | 上海交通大学 | 一种人物服饰转换方法及系统 |
CN111932531A (zh) * | 2020-09-21 | 2020-11-13 | 广东利元亨智能装备股份有限公司 | 模型训练方法、焊点缺陷检测方法、装置及电子设备 |
CN113298774A (zh) * | 2021-05-20 | 2021-08-24 | 复旦大学 | 一种基于对偶条件相容神经网络的图像分割方法、装置 |
WO2021258955A1 (zh) * | 2020-06-24 | 2021-12-30 | 中兴通讯股份有限公司 | 目标图像中的对象轮廓的标注方法及装置、存储介质和电子装置 |
CN114897723A (zh) * | 2022-05-05 | 2022-08-12 | 南京航空航天大学 | 一种基于生成式对抗网络的图像生成与加噪方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952239A (zh) * | 2017-03-28 | 2017-07-14 | 厦门幻世网络科技有限公司 | 图像生成方法和装置 |
CN107016406A (zh) * | 2017-02-24 | 2017-08-04 | 中国科学院合肥物质科学研究院 | 基于生成式对抗网络的病虫害图像生成方法 |
US20170365038A1 (en) * | 2016-06-16 | 2017-12-21 | Facebook, Inc. | Producing Higher-Quality Samples Of Natural Images |
US10210631B1 (en) * | 2017-08-18 | 2019-02-19 | Synapse Technology Corporation | Generating synthetic image data |
CN109376582A (zh) * | 2018-09-04 | 2019-02-22 | 电子科技大学 | 一种基于生成对抗网络的交互式人脸卡通方法 |
CN109493308A (zh) * | 2018-11-14 | 2019-03-19 | 吉林大学 | 基于条件多判别生成对抗网络的医疗图像合成与分类方法 |
CN109919890A (zh) * | 2019-03-06 | 2019-06-21 | 颐保医疗科技(上海)有限公司 | 一种应用于医药识别的数据增强方法 |
CN110163866A (zh) * | 2019-04-01 | 2019-08-23 | 上海卫莎网络科技有限公司 | 一种图像处理方法、电子设备及计算机可读存储介质 |
-
2019
- 2019-08-31 CN CN201910820033.3A patent/CN110675353A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170365038A1 (en) * | 2016-06-16 | 2017-12-21 | Facebook, Inc. | Producing Higher-Quality Samples Of Natural Images |
CN107016406A (zh) * | 2017-02-24 | 2017-08-04 | 中国科学院合肥物质科学研究院 | 基于生成式对抗网络的病虫害图像生成方法 |
CN106952239A (zh) * | 2017-03-28 | 2017-07-14 | 厦门幻世网络科技有限公司 | 图像生成方法和装置 |
US10210631B1 (en) * | 2017-08-18 | 2019-02-19 | Synapse Technology Corporation | Generating synthetic image data |
CN109376582A (zh) * | 2018-09-04 | 2019-02-22 | 电子科技大学 | 一种基于生成对抗网络的交互式人脸卡通方法 |
CN109493308A (zh) * | 2018-11-14 | 2019-03-19 | 吉林大学 | 基于条件多判别生成对抗网络的医疗图像合成与分类方法 |
CN109919890A (zh) * | 2019-03-06 | 2019-06-21 | 颐保医疗科技(上海)有限公司 | 一种应用于医药识别的数据增强方法 |
CN110163866A (zh) * | 2019-04-01 | 2019-08-23 | 上海卫莎网络科技有限公司 | 一种图像处理方法、电子设备及计算机可读存储介质 |
Non-Patent Citations (4)
Title |
---|
KRISHNA REGMI,ALI BORJI: "Cross-view image synthesis using geometry-guided conditional GANs", 《COMPUTER VISION AND IMAGE UNDERSTANDING》 * |
YAN MA等: "Background Augmentation Generative Adversarial Networks (BAGANs): Effective Data Generation Based on GAN-Augmented 3D Synthesizing", 《SYMMETRY》 * |
贾丽丽: "基于生成式对抗网络的特定场景生成技术及应用研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
马春光 郭瑶瑶 武朋 刘海波: "生成式对抗网络图像增强研究综述", 《信息网络安全》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209850A (zh) * | 2020-01-04 | 2020-05-29 | 圣点世纪科技股份有限公司 | 一种基于改进cGAN网络生成适用多设备识别指静脉图像的方法 |
CN111209850B (zh) * | 2020-01-04 | 2021-02-19 | 圣点世纪科技股份有限公司 | 一种基于改进cGAN网络生成适用多设备识别指静脉图像的方法 |
CN111476241A (zh) * | 2020-03-04 | 2020-07-31 | 上海交通大学 | 一种人物服饰转换方法及系统 |
CN111476241B (zh) * | 2020-03-04 | 2023-04-21 | 上海交通大学 | 一种人物服饰转换方法及系统 |
WO2021258955A1 (zh) * | 2020-06-24 | 2021-12-30 | 中兴通讯股份有限公司 | 目标图像中的对象轮廓的标注方法及装置、存储介质和电子装置 |
CN111932531A (zh) * | 2020-09-21 | 2020-11-13 | 广东利元亨智能装备股份有限公司 | 模型训练方法、焊点缺陷检测方法、装置及电子设备 |
CN113298774A (zh) * | 2021-05-20 | 2021-08-24 | 复旦大学 | 一种基于对偶条件相容神经网络的图像分割方法、装置 |
CN113298774B (zh) * | 2021-05-20 | 2022-10-18 | 复旦大学 | 一种基于对偶条件相容神经网络的图像分割方法、装置 |
CN114897723A (zh) * | 2022-05-05 | 2022-08-12 | 南京航空航天大学 | 一种基于生成式对抗网络的图像生成与加噪方法 |
CN114897723B (zh) * | 2022-05-05 | 2023-08-01 | 南京航空航天大学 | 一种基于生成式对抗网络的图像生成与加噪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110675353A (zh) | 一种基于条件生成对抗网络的选择分割图像合成方法 | |
CN109376582B (zh) | 一种基于生成对抗网络的交互式人脸卡通方法 | |
CN108537743B (zh) | 一种基于生成对抗网络的面部图像增强方法 | |
Zhou et al. | UGIF-Net: An efficient fully guided information flow network for underwater image enhancement | |
CN110111236B (zh) | 基于渐进式对抗生成网络的多目标草图生成图像的方法 | |
CN112818862B (zh) | 基于多源线索与混合注意力的人脸篡改检测方法与系统 | |
CN113076994B (zh) | 一种开集域自适应图像分类方法及系统 | |
CN109800785B (zh) | 一种基于自表达相关的数据分类方法和装置 | |
Zhang et al. | Stacking VAE and GAN for context-aware text-to-image generation | |
CN113724354B (zh) | 基于参考图颜色风格的灰度图像着色方法 | |
Zhao et al. | Selective region-based photo color adjustment for graphic designs | |
CN113034355B (zh) | 一种基于深度学习的肖像图像双下巴去除方法 | |
Osahor et al. | Quality guided sketch-to-photo image synthesis | |
CN112861671A (zh) | 一种对深度伪造人脸图像和视频的鉴别方法 | |
Miao et al. | Learning forgery region-aware and ID-independent features for face manipulation detection | |
CN116012255A (zh) | 一种基于循环一致性生成对抗网络的低光图像增强方法 | |
Shi et al. | Improving 3d-aware image synthesis with a geometry-aware discriminator | |
Sun et al. | Learning adaptive patch generators for mask-robust image inpainting | |
François | Real-time multi-resolution blob tracking | |
CN111489405B (zh) | 基于条件增强生成对抗网络的人脸草图合成系统 | |
Qiao et al. | Joint learning of audio–visual saliency prediction and sound source localization on multi-face videos | |
CN111064905B (zh) | 面向自动驾驶的视频场景转换方法 | |
CN112825188A (zh) | 一种基于深度卷积生成对抗网络的遮挡人脸补全算法 | |
Hung et al. | Augmentation of small training data using GANs for enhancing the performance of image classification | |
CN113658285B (zh) | 一种人脸照片到艺术素描的生成方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200110 |
|
RJ01 | Rejection of invention patent application after publication |