CN112288622A - 一种基于多尺度生成对抗网络的伪装图像生成方法 - Google Patents

一种基于多尺度生成对抗网络的伪装图像生成方法 Download PDF

Info

Publication number
CN112288622A
CN112288622A CN202011178436.1A CN202011178436A CN112288622A CN 112288622 A CN112288622 A CN 112288622A CN 202011178436 A CN202011178436 A CN 202011178436A CN 112288622 A CN112288622 A CN 112288622A
Authority
CN
China
Prior art keywords
scale
image
network
input
training
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.)
Granted
Application number
CN202011178436.1A
Other languages
English (en)
Other versions
CN112288622B (zh
Inventor
尹阁麟
张青
郑伟诗
骆伟祺
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202011178436.1A priority Critical patent/CN112288622B/zh
Publication of CN112288622A publication Critical patent/CN112288622A/zh
Application granted granted Critical
Publication of CN112288622B publication Critical patent/CN112288622B/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
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于多尺度生成对抗网络的伪装图像生成方法，包括以下步骤，构建多尺度生成对抗网络，包括多个尺度，每个尺度包括生成器、风格转换网络以及判别器；传入模型初始图像，进行预处理；生成器生成虚假图像，并与缩放到同等大小的真实图像一起输入到风格转换网络和判别器，进行判别训练；将当前尺度生成图像的放大结果经图像修改后输入到上一层尺度；重复执行判别训练、生成图像输入到上一层尺度步骤的操作，直至最顶端尺度输出最终的伪装图像。本发明通过构建多尺度对抗生成网络对单张图像进行训练，引入了风格转换网络对图像的风格进行定向判别与生成，实现利用少量数据进行伪装图像的快速生成与较好的伪装效果。

Description

一种基于多尺度生成对抗网络的伪装图像生成方法
技术领域
本发明属于计算机视觉领域，涉及一种基于多尺度生成对抗网络的伪装图像生成方法。
背景技术
图像伪装是指用背景的颜色和纹理去装饰前景，使前景融洽自然地隐藏于背景中，同时留下区别于背景的细微线索，让观察者能够集中注意力去发现隐藏的前景。伪装图像具有广泛的应用，在军事领域中，可用于士兵的迷彩伪装；在教育领域中，可以有嵌入特殊内容的图像去训练儿童的认知能力；在医疗领域中，与背景混淆的字母图片可以用于测试色盲；在生活中，可以用于艺术创作，进行娱乐等。研究伪装图像的生成方法是很有必要的。
当前在图像伪装任务上，主要是传统图像处理方法，此类方法先通过预处理过程，人工设计提取图像特征，进行图像合成，最后通过后处理过程才能得到一个不错的伪装效果，流程复杂且计算量大。而基于深度学习的图像伪装工作还比较少，已有的工作要么模型训练时间长，没有复用性，要么生成速度快，但需要大数据驱动，而伪装图像并没有足够多的数据用于训练。因此在深度学习框架里，利用少量数据进行伪装图像的快速生成的技术有很大的研究空间。
目前，生成对抗网络能够对单张图像进行特征提取与图像重建，而多尺度的结构能够更好的提取到训练数据的图像特征。深度学习有较高的灵活性，能够通过设计特征的网络结构对某些图像特征进行定向训练与学习。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提出一种基于多尺度生成对抗网络的伪装图像生成方法，实现只利用少量数据，快速生成伪装图像。
为了达到上述目的，本发明采用以下技术方案：
本发明提供的一种基于多尺度生成对抗网络的伪装图像生成方法，包括以下步骤：
构建多尺度生成对抗网络模型，并嵌入风格转换网络，所述多尺度生成对抗网络模型包括多个尺度，每个尺度包括生成器、风格转换网络以及判别器；利用尺度生成对抗网络模型进行训练和应用，具体为：
多尺度生成对抗网络模型的训练阶段，包括下述步骤：
将随机噪声图作为最小尺度生成器的输入；
判别训练，生成器生成虚假图像，并与缩放到同等大小的真实背景图像一起输入到风格转换网络和判别器，进行判别训练；
输入到上一层尺度，将当前尺度生成器的生成图像的放大结果经图像输入到上一层尺度；
重复执行判别训练、输入到上一层尺度步骤的操作，直至最顶端尺度执行完相应操作，完成多尺度生成对抗网络模型对真实背景图像的拟合与训练；
多尺度生成对抗网络模型的应用阶段：
选择除了最小尺度以外的任一尺度作为初始尺度；
传入模型初始图像，将粘贴了待隐藏目标的背景图和原背景图同时放缩到初始尺度大小，并进行混合叠加的预处理，作为该尺度输入；
当前尺度图像生成，生成器生成结果图像，与缩放到同等大小的粘贴了待隐藏目标的背景图进行混合操作；
输入到上一层尺度，将当前尺度生成器的生成图像的放大结果输入到上一层尺度；
重复当前尺度图像生成、输入到上一层尺度步骤的操作，直至最顶端尺度执行完相应操作，输出最终的伪装图像。
作为优选的技术方案，所述风格转换网络用于对风格特征进行定向训练，包括预训练的分类网络VGG-19、GRAM矩阵以及步长卷积。
作为优选的技术方案，所述GRAM矩阵用于使得特征对风格具有更强的描述性；
所述步长卷积用于将GRAM矩阵结果放缩到同一个尺寸以及筛选网络特征。
作为优选的技术方案，所述尺度由下向上层层堆叠，尺度大小及其输入图像大小由下向上逐渐增大且最小尺度的输入为随机噪声，每一层相应的操作完成后才能进行上一层尺度的操作。
作为优选的技术方案，所述传入模型初始图像，预处理具体为：
x′＝sxfront+(1-s)x
其中，xfront为粘贴了待隐藏目标的背景图，x为背景图，将二者进行一定比例s的混合，通过s来控制最终伪装图像的识别度。
作为优选的技术方案，所述判别训练具体为：
在风格转换网络，先通过预训练的分类网络VGG-19，进行特征提取，然后通过GRAM矩阵运算和后续的步长卷积作进一步特征学习，最后将个特征拼接作为风格特征结果，GRAM矩阵计算公式为
Figure BDA0002749388330000031
其中F是由VGG-19网络抽取到的特征，l表示所处的特征层，ik、jk表示特征图的坐标。
作为优选的技术方案，所述每个尺度的判别训练总损失函数具体为：
Figure BDA0002749388330000041
其中，
Figure BDA0002749388330000042
Lrec＝||Gn(xn)-xn||2，Ladv为对抗损失项，用来保证对背景图像的风格进行定向训练与生成，
Figure BDA0002749388330000043
用于判别真实分布x～Pr与生成分布
Figure BDA0002749388330000044
的距离，
Figure BDA0002749388330000045
为梯度惩罚项，用于保证损失函数平稳训练，Lrec为重建损失项，采用了二阶范数，用于保证在每个尺度上，背景图像输入，生成的图像要与输入保持一样。
作为优选的技术方案，所述输入到上一层尺度具体为：
对当前尺度生成图像的放大结果进行图像修改：
Figure BDA0002749388330000046
其中，
Figure BDA0002749388330000047
表示小尺度结果的上采样结果，xk表示放缩到当前尺度的真实图像，将二者按照一定比例β混合，可以得到该尺度的输入图像x′k。
作为优选的技术方案，所述图像修改在包含初始尺度直至最终尺度在内的所有尺度每一层尺度的输入前都要进行。
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明采用多尺度对抗生成网络为基本框架，引入风格转换网络，实现得用单张图像进行目标伪装的效果，如图5所示。
2.已有的算法：
(1)需要采集大量数据，才能提取某一类图像的特征，并用于新图像的生成；
(2)采用风格转换的方法对图像的内容进行艺术加工。
对于伪装图像生成任务，不具备存在大量数据的前提条件，且对伪装的效果有一定要求，本发明的方法利用单张图片就能得到具有良好伪装效果的新图像，具有优越性和可操作性。
3.在模型训练阶段，只需要一张内容图像和一张背景图像，就可以进行特征的抽取和模型的生成。采用了对抗生成网络模型，在保证输入图像单一的情况下，模型具有一定的多样性。
4.在模型应用阶段，引入重建参数，提升了模型稳定性；引入难度因子，能够快速方便的调节生成图像的伪装程度。以往的算法，伪装图像生成不稳定，伪装程度不可控或者付出时间、算力资源代价高；我们的算法具有更强的实用性。
附图说明
图1是本发明方法的流程图；
图2是本发明多尺度生成对抗网络的结构示意图；
图3是本发明风格转换网络的结构示意图；
图4是本发明将图像输入多尺度生成对抗网络的示意图；
图5是本发明单张图像伪装的效果示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
如图1所示，本发明一种基于多尺度生成对抗网络的伪装图像生成方法，包括以下步骤：
S1、构建风格转换网络，所述风格转换网络用于对风格特征进行定向训练，如图3所示，所述风格转换网络包括预训练的分类网络VCG-19、GRAM矩阵运算以及步长卷积，其中GRAM矩阵用于使得特征对风格具有更强的描述性；步长卷积用于将GRAM矩阵结果放缩到同一个尺寸，同时由于网络特征可能存在冗余性，步长卷积还起到筛选特征的作用。
S2、构建多尺度生成对抗网络模型，并嵌入风格转换网络，如图2所示，所述多尺度生成对抗网络包括n+1(n为超参数)个尺度，每个尺度包括生成器(G)、风格转换网络(StyleTransfer Block)以及判别器(D)，每个尺度的输入图像大小由下向上逐渐增大，其中zn为最小尺度Gn的输入，是随机噪声，对Gn的输出进行放大操作，向上一尺度传递作为上一尺度的输入，依次类推。
S3、传入模型初始图像，并对其进行预处理，如图4所示。向模型输入粘贴了待隐藏目标的背景图x′，将其放缩到除Gn尺度以外的任一尺度大小，对于传入模型初始图像x′,对其进行一个预处理，具体为：
x′＝sxfront+(1-s)x
其中，xfront为粘贴了待隐藏目标的背景图，x为背景图，将二者进行一定比例s的混合，通过s来控制最终伪装图像的识别度。
S4、判别训练，在每个尺度中，生成器都会生成虚假图像(Fake)，并与缩放到同等大小的真实图像(Real)一起输入到风格转换网络和判别器，进行判别训练，具体为：
在风格转换网络，先通过预训练的分类网络VGG-19，进行特征提取，然后通过GRAM矩阵运算和后续的步长卷积作进一步特征学习，最后将个特征拼接作为风格特征结果。GRAM矩阵计算公式为
Figure BDA0002749388330000071
其中F是由VGG-19网络抽取到的特征，l表示所处的特征层，ik、jk表示特征图的坐标。
模型中每个尺度的训练总损失函数为：
Figure BDA0002749388330000072
其中，
Figure BDA0002749388330000073
Lrec＝||Gn(xn)-xn||2，Ladv为对抗损失项，用来保证对背景图像的风格进行定向训练与生成，
Figure BDA0002749388330000074
用于判别真实分布x～Pr与生成分布
Figure BDA0002749388330000075
的距离，
Figure BDA0002749388330000076
为梯度惩罚项，用于保证损失函数平稳训练，Lrec为重建损失项，采用了二阶范数，用于保证在每个尺度上，背景图像输入，生成的图像要与输入保持一样。
S5、迭代一定的训练轮次后，将当前尺度生成图像
Figure BDA0002749388330000079
的放大结果输入到上一层尺度，在每层输入前，为了保证生成结果的稳定性，采用以下操作，对输入图像进行修改：
Figure BDA0002749388330000077
其中，
Figure BDA0002749388330000078
表示小尺度结果的上采样结果，xk表示放缩到当前尺度的真实图像，将二者按照一定比例β混合，可以得到该尺度的输入图像x′k。
S6、重复S4至S5，直到最后一个尺度G0执行完相应S4和S5的操作，其输出图像为最终的伪装结果。
还需要说明的是，在本说明书中，诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种基于多尺度生成对抗网络的伪装图像生成方法，其特征在于，包括以下步骤：
构建多尺度生成对抗网络模型，并嵌入风格转换网络，所述多尺度生成对抗网络模型包括多个尺度，每个尺度包括生成器、风格转换网络以及判别器；利用尺度生成对抗网络模型进行训练和应用，具体为：
多尺度生成对抗网络模型的训练阶段，包括下述步骤：
将随机噪声图作为最小尺度生成器的输入；
判别训练，生成器生成虚假图像，并与缩放到同等大小的真实背景图像一起输入到风格转换网络和判别器，进行判别训练；
输入到上一层尺度，将当前尺度生成器的生成图像的放大结果经图像输入到上一层尺度；
重复执行判别训练、输入到上一层尺度步骤的操作，直至最顶端尺度执行完相应操作，完成多尺度生成对抗网络模型对真实背景图像的拟合与训练；
多尺度生成对抗网络模型的应用阶段：
选择除了最小尺度以外的任一尺度作为初始尺度；
传入模型初始图像，将粘贴了待隐藏目标的背景图和原背景图同时放缩到初始尺度大小，并进行混合叠加的预处理，作为该尺度输入；
当前尺度图像生成，生成器生成结果图像，与缩放到同等大小的粘贴了待隐藏目标的背景图进行混合操作；
输入到上一层尺度，将当前尺度生成器的生成图像的放大结果输入到上一层尺度；
重复当前尺度图像生成、输入到上一层尺度步骤的操作，直至最顶端尺度执行完相应操作，输出最终的伪装图像。
2.根据权利要求1所述的一种基于多尺度生成对抗网络的伪装图像生成方法，其特征在于，所述风格转换网络用于对风格特征进行定向训练，包括预训练的分类网络VGG-19、GRAM矩阵以及步长卷积。
3.根据权利要求2所述的一种基于多尺度生成对抗网络的伪装图像生成方法，其特征在于，所述GRAM矩阵用于使得特征对风格具有更强的描述性；
所述步长卷积用于将GRAM矩阵结果放缩到同一个尺寸以及筛选网络特征。
4.根据权利要求1所述的一种基于多尺度生成对抗网络的伪装图像生成方法，其特征在于，所述尺度由下向上层层堆叠，尺度大小及其输入图像大小由下向上逐渐增大且最小尺度的输入为随机噪声，每一层相应的操作完成后才能进行上一层尺度的操作。
5.根据权利要求1所述的一种基于多尺度生成对抗网络的伪装图像生成方法，其特征在于，所述传入模型初始图像，预处理具体为：
x′＝sxfront+(1-s)x
其中，xfront为粘贴了待隐藏目标的背景图，x为背景图，将二者进行一定比例s的混合，通过s来控制最终伪装图像的识别度。
6.根据权利要求1所述的一种基于多尺度生成对抗网络的伪装图像生成方法，其特征在于，所述判别训练具体为：
在风格转换网络，先通过预训练的分类网络VGG-19，进行特征提取，然后通过GRAM矩阵运算和后续的步长卷积作进一步特征学习，最后将个特征拼接作为风格特征结果，GRAM矩阵计算公式为
Figure FDA0002749388320000021
其中F是由VGG-19网络抽取到的特征，l表示所处的特征层，ik、jk表示特征图的坐标。
7.根据权利要求6所述的一种基于多尺度生成对抗网络的伪装图像生成方法，其特征在于，所述每个尺度的判别训练总损失函数具体为：
Figure FDA0002749388320000022
其中，
Figure FDA0002749388320000023
Figure FDA0002749388320000024
Ladv为对抗损失项，用来保证对背景图像的风格进行定向训练与生成，
Figure FDA0002749388320000025
用于判别真实分布x～Pr与生成分布
Figure FDA0002749388320000031
的距离，
Figure FDA0002749388320000032
为梯度惩罚项，用于保证损失函数平稳训练，Lrec为重建损失项，采用了二阶范数，用于保证在每个尺度上，背景图像输入，生成的图像要与输入保持一样。
8.根据权利要求1所述的一种基于多尺度生成对抗网络的伪装图像生成方法，其特征在于，所述输入到上一层尺度具体为：
对当前尺度生成图像的放大结果进行图像修改：
Figure FDA0002749388320000033
其中，
Figure FDA0002749388320000034
表示小尺度结果的上采样结果，xk表示放缩到当前尺度的真实图像，将二者按照一定比例β混合，可以得到该尺度的输入图像x′k。
9.根据权利要求8所述的一种基于多尺度生成对抗网络的伪装图像生成方法，其特征在于，所述图像修改在包含初始尺度直至最终尺度在内的所有尺度每一层尺度的输入前都要进行。
CN202011178436.1A 2020-10-29 2020-10-29 一种基于多尺度生成对抗网络的伪装图像生成方法 Active CN112288622B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011178436.1A CN112288622B (zh) 2020-10-29 2020-10-29 一种基于多尺度生成对抗网络的伪装图像生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011178436.1A CN112288622B (zh) 2020-10-29 2020-10-29 一种基于多尺度生成对抗网络的伪装图像生成方法

Publications (2)

Publication Number Publication Date
CN112288622A true CN112288622A (zh) 2021-01-29
CN112288622B CN112288622B (zh) 2022-11-08

Family

ID=74372787

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011178436.1A Active CN112288622B (zh) 2020-10-29 2020-10-29 一种基于多尺度生成对抗网络的伪装图像生成方法

Country Status (1)

Country Link
CN (1) CN112288622B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113822976A (zh) * 2021-06-08 2021-12-21 腾讯科技（深圳）有限公司 生成器的训练方法及装置、存储介质和电子装置
CN114757864A (zh) * 2022-04-21 2022-07-15 西安交通大学 一种基于多尺度特征解耦的多层级细粒度图像生成方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2017101166A4 (en) * 2017-08-25 2017-11-02 Lai, Haodong MR A Method For Real-Time Image Style Transfer Based On Conditional Generative Adversarial Networks
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
CN108090902A (zh) * 2017-12-30 2018-05-29 中国传媒大学 一种基于多尺度生成对抗网络的无参考图像质量客观评价方法
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
CN110136063A (zh) * 2019-05-13 2019-08-16 南京信息工程大学 一种基于条件生成对抗网络的单幅图像超分辨率重建方法
CN110276753A (zh) * 2019-06-20 2019-09-24 兰州理工大学 基于特征空间统计信息映射的目标自适应隐藏方法
CN110363068A (zh) * 2019-05-28 2019-10-22 中国矿业大学 一种基于多尺度循环生成式对抗网络的高分辨行人图像生成方法
CN110503598A (zh) * 2019-07-30 2019-11-26 西安理工大学 基于条件循环一致性生成对抗网络的字体风格迁移方法
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
US20200134778A1 (en) * 2018-08-13 2020-04-30 Shenzhen Sensetime Technology Co., Ltd. Image style transform methods and apparatuses, devices and storage media
CN111340720A (zh) * 2020-02-14 2020-06-26 云南大学 一种基于语义分割的套色木刻版画风格转换算法
CN111563263A (zh) * 2020-04-16 2020-08-21 绍兴聚量数据技术有限公司 一种任意图像风格迁移的无载体信息隐藏方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2017101166A4 (en) * 2017-08-25 2017-11-02 Lai, Haodong MR A Method For Real-Time Image Style Transfer Based On Conditional Generative Adversarial Networks
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
CN108090902A (zh) * 2017-12-30 2018-05-29 中国传媒大学 一种基于多尺度生成对抗网络的无参考图像质量客观评价方法
US20200134778A1 (en) * 2018-08-13 2020-04-30 Shenzhen Sensetime Technology Co., Ltd. Image style transform methods and apparatuses, devices and storage media
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
CN110136063A (zh) * 2019-05-13 2019-08-16 南京信息工程大学 一种基于条件生成对抗网络的单幅图像超分辨率重建方法
CN110363068A (zh) * 2019-05-28 2019-10-22 中国矿业大学 一种基于多尺度循环生成式对抗网络的高分辨行人图像生成方法
CN110276753A (zh) * 2019-06-20 2019-09-24 兰州理工大学 基于特征空间统计信息映射的目标自适应隐藏方法
CN110503598A (zh) * 2019-07-30 2019-11-26 西安理工大学 基于条件循环一致性生成对抗网络的字体风格迁移方法
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
CN111340720A (zh) * 2020-02-14 2020-06-26 云南大学 一种基于语义分割的套色木刻版画风格转换算法
CN111563263A (zh) * 2020-04-16 2020-08-21 绍兴聚量数据技术有限公司 一种任意图像风格迁移的无载体信息隐藏方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
JUN GU ET AL: "Aerial Image and Map Synthesis Using Generative Adversarial Networks", 《2019 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 *
朱海峰等: "基于深度学习的图像风格转换研究", 《软件》 *
李应涛等: "木刻版画风格转换的深度学习算法", 《计算机辅助设计与图形学学报》 *
李诗怡等: "基于多尺度生成对抗网络的SAR图像样本增广", 《激光与光电子学进展》 *
胡中泽: "基于对抗生成网络的古籍文献图像修复技术应用研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
董士琪: "基于生成对抗网络的图像信息隐藏研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113822976A (zh) * 2021-06-08 2021-12-21 腾讯科技（深圳）有限公司 生成器的训练方法及装置、存储介质和电子装置
CN114757864A (zh) * 2022-04-21 2022-07-15 西安交通大学 一种基于多尺度特征解耦的多层级细粒度图像生成方法
CN114757864B (zh) * 2022-04-21 2024-08-02 西安交通大学 一种基于多尺度特征解耦的多层级细粒度图像生成方法

Also Published As

Publication number Publication date
CN112288622B (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
CN106570474B (zh) 一种基于3d卷积神经网络的微表情识别方法
Zhang et al. Stackgan: Text to photo-realistic image synthesis with stacked generative adversarial networks
CN101950365B (zh) 基于ksvd字典学习的多任务超分辨率图像重构方法
CN106447626A (zh) 一种基于深度学习的模糊核尺寸估计方法与系统
CN108960020A (zh) 信息处理方法和信息处理设备
CN110609979A (zh) 从部分观察中合成新的字体字形
CN112288622B (zh) 一种基于多尺度生成对抗网络的伪装图像生成方法
CN107844795A (zh) 基于主成分分析的卷积神经网络特征提取方法
CN111489405B (zh) 基于条件增强生成对抗网络的人脸草图合成系统
CN111368734B (zh) 一种基于正常表情辅助的微表情识别方法
CN112818764A (zh) 一种基于特征重建模型的低分辨率图像人脸表情识别方法
CN112017255A (zh) 一种根据食谱生成食物图像的方法
CN110188667A (zh) 一种基于三方对抗生成网络的人脸摆正方法
CN113724354A (zh) 基于参考图颜色风格的灰度图像着色方法
CN112800882A (zh) 一种基于加权双流残差网络的口罩人脸姿态分类方法
CN113436058B (zh) 一种人物虚拟换衣方法、终端设备及存储介质
CN117575746A (zh) 虚拟试穿方法、装置、电子设备及存储介质
CN109658508A (zh) 一种多尺度细节融合的地形合成方法
Zhong et al. Digital recognition of street view house numbers based on DCGAN
CN114037644B (zh) 一种基于生成对抗网络的艺术字图像合成系统及方法
Xie et al. Design of painting art style rendering system based on convolutional neural network
CN109815922A (zh) 基于人工智能神经网络的轨道交通地面目标视频识别方法
Nguyen et al. Deep feature rotation for multimodal image style transfer
CN114219960A (zh) 基于多学习器优化的XGBoost的小样本条件下空间目标ISAR图像分类方法
CN107221019A (zh) 图表转换方法及装置

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