CN112330535A - 一种图片风格迁移方法 - Google Patents

一种图片风格迁移方法 Download PDF

Info

Publication number
CN112330535A
CN112330535A CN202011360407.7A CN202011360407A CN112330535A CN 112330535 A CN112330535 A CN 112330535A CN 202011360407 A CN202011360407 A CN 202011360407A CN 112330535 A CN112330535 A CN 112330535A
Authority
CN
China
Prior art keywords
picture
style migration
generator
domain
discriminator
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
Application number
CN202011360407.7A
Other languages
English (en)
Inventor
张涛
张占杰
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.)
Jiangnan University
Original Assignee
Jiangnan 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 Jiangnan University filed Critical Jiangnan University
Priority to CN202011360407.7A priority Critical patent/CN112330535A/zh
Publication of CN112330535A publication Critical patent/CN112330535A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00Geometric image transformations in the plane of the image
    • G06T3/04Context-preserving transformations, e.g. by using an importance map
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks

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 Analysis (AREA)

Abstract

本发明公开了一种图片风格迁移方法,包括,基于神经网络构建图像风格迁移模型,并对所述图像风格迁移模型进行参数更新和谱归一化处理;构建所述图像风格迁移模型的损失函数,并训练所述图像风格迁移模型,损失值不再降低时停止训练;通过所述训练完成的图像迁移风格模型获得风格迁移图片。本发明通过优化生成器和对鉴别器,有效地减少了模型振荡和加快了模型的收敛。

Description

一种图片风格迁移方法
技术领域
本发明图像处理涉及的技术领域,尤其涉及一种图片风格迁移方法。
背景技术
对于图像风格迁移,主要依赖生成对抗网络,但是由于生成对抗网络模型本身难以收敛,风格迁移训练效果较差,数据需要大量的打标签,这也是在图像风格迁移中需要解决的问题;主流解决方案包括谱归一化、批归一化、Wasserstein距离;以往的风格迁移都是专注使用VGG提取图像特征和风格特征,产生的风格迁移效果在细节表现上较差,大多都是在实现场景上的风格迁移,还不能很好实现人脸图片向漫画的风格迁移,为解决这一个问题,大量的方案被开发,主要采用以生成对抗网络为原型,通过增加鉴别器、生成器和约束性函数的方式达到对图像风格迁移,许多实验表明,这种基于生成对抗网络(GAN)的方法在计算机视觉研究中非常出色,然而,当图像特征复杂,要求生成高分辨率的图片时,上述方法将会出现需要极大的硬件资源,并且生成的图片出现特征混论,视觉体验感较差,如何增强风格迁移的效果是一项极大的挑战。
目前已经有很多优秀的学者提出了可用于风格迁移的模型,但是模型难以收敛,迁移不稳定。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了一种图片风格迁移方法,能够解决模型收敛速度慢的问题。
为解决上述技术问题,本发明提供如下技术方案:包括,基于神经网络构建图像风格迁移模型,并对所述图像风格迁移模型进行谱归一化处理;构建所述图像风格迁移模型的损失函数,并训练所述处理完成的图像风格迁移模型,损失值不再降低时停止训练;通过所述训练完成的图像迁移风格模型获得风格迁移图片。
作为本发明所述的图片风格迁移方法的一种优选方案,其中:所述图像风格迁移模型包括生成器和鉴别器,所述生成器G(x)和F(x):
G(x)=pdata(x);
F(x)=pdata(x);
所述鉴别器D(x):
Figure BDA0002803830490000021
其中,x为样本,pg(x)为样本分布,pdata(x)为真实的样本分布。
作为本发明所述的图片风格迁移方法的一种优选方案,其中:所述生成器还包括,通过强化学习对所述生成器进行优化:
Figure BDA0002803830490000022
通过梯度下降策略更新所述生成器的参数:
Figure BDA0002803830490000023
其中,
Figure BDA0002803830490000024
为所述生成器的参数梯度,M为采样的完整序列个数,xi为所述样本x的第i个特征,γ为所述生成器的全部参数集合,d为人为设定的基线值,Pγ(xi)为输出真实样本的概率,γf为更新后的生成器参数集合,γn为更新前的生成器参数集合。
作为本发明所述的图片风格迁移方法的一种优选方案,其中:所述谱归一化包括,将所述鉴别器的卷积核权重范围限制在(0,1)。
作为本发明所述的图片风格迁移方法的一种优选方案,其中:还包括,通过幂迭代策略求取所述鉴别器的参数矩阵W的奇异值,进而获得每层参数矩阵的谱范数。
作为本发明所述的图片风格迁移方法的一种优选方案,其中:所述获得谱范数包括:按下式进行k次迭代:
Vl 0←随机高斯向量;
Figure BDA0002803830490000025
正则化:
Figure BDA0002803830490000026
Figure BDA0002803830490000031
正则化:
Figure BDA0002803830490000032
所述W的奇异值σl(W)如下:
Figure BDA0002803830490000033
当||u||=1,v=WTu时,所述奇异值为:
σ(W)=uTWv
其中,Vl 0为卷积神经网络的l层第0次迭代的随机高斯向量,
Figure BDA0002803830490000035
为所述l层第k次迭代的最大奇异值的特征向量,Wl为第l层的网络参数矩阵,
Figure BDA0002803830490000036
为卷积神经网络的1层经过K次迭代的随机高斯向量,
Figure BDA0002803830490000037
为对所述
Figure BDA0002803830490000038
求的谱范数,
Figure BDA0002803830490000039
为对所述
Figure BDA00028038304900000310
求的谱范数,T表示矩阵的转置;v为随机高斯向量,u为最大奇异值的特征向量,σ(W)为所述参数矩阵W的奇异值。
作为本发明所述的图片风格迁移方法的一种优选方案,其中:所述损失函数包括:
LTOTAL=LGAN(G,DY,X,Y)+LGAN(F,DX,Y,X)+Lcycle(G,F)
其中,LTOTAL为总损失函数,LGAN(G,DY,X,Y)为向前映射损失函数,LGAN(F,DX,Y,X)为向后映射损失函数,Lcycle(G,F)为循环函数,DY为Y目标域的鉴别器,X为源域。
作为本发明所述的图片风格迁移方法的一种优选方案,其中:所述向前映射损失函数包括:对于所述X域的图片经过所述生成器到所述Y域生成所述风格迁移后的图片和Y域的鉴别器,定义所述向前映射损失函数:
Figure BDA00028038304900000311
其中,E为期望,y为在所述Y域中抽取的图片,DY(y)为所述图片y经过所述Y域的鉴别器,Pdata指的是图片数据分布y,Pdata(y)为所述图片y的数据分布。
作为本发明所述的图片风格迁移方法的一种优选方案,其中:所述循环损失函数包括:
Figure BDA00028038304900000312
作为本发明所述的图片风格迁移方法的一种优选方案,其中:所述向后映射损失函数包括:对于所述Y域的图片经过所述生成器到所述X域生成所述风格迁移后的图片和X域的鉴别器,定义所述向后映射损失函数:
Figure BDA0002803830490000041
其中,DX为所述X域的鉴别器。
本发明的有益效果:通过优化生成器和对鉴别器,有效地减少了模型振荡和加速了模型的收敛。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一个实施例所述的图片风格迁移方法的流程示意图;
图2为本发明第一个实施例所述的图片风格迁移方法的生成器和鉴别器结构示意图;
图3为本发明第二个实施例所述的图片风格迁移方法的X域鉴别器的传统的cyclegan风格迁移方法获得的损失值曲线示意图;
图4为本发明第二个实施例所述的图片风格迁移方法的Y域鉴别器的传统的cyclegan风格迁移方法获得的损失值曲线示意图;
图5为本发明第二个实施例所述的图片风格迁移方法的传统的cyclegan风格迁移方法获得的循环损失值曲线示意图;
图6为本发明第二个实施例所述的图片风格迁移方法的传统的cyclegan风格迁移方法获得的整体损失值曲线示意图;
图7为本发明第二个实施例所述的图片风格迁移方法的X域鉴别器的损失值曲线示意图;
图8为本发明第二个实施例所述的图片风格迁移方法的Y域鉴别器的损失值曲线示意图;
图9为本发明第二个实施例所述的图片风格迁移方法的循环损失值曲线示意图;
图10为本发明第二个实施例所述的图片风格迁移方法的整体损失值曲线示意图;
图11为本发明第二个实施例所述的图片风格迁移方法的人脸向漫画风格迁移结果示意图;
图12为本发明第二个实施例所述的图片风格迁移方法的漫画向人脸风格迁移结果示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1~图2,为本发明的第一个实施例,该实施例提供了一种图片风格迁移方法,包括:
S1:基于神经网络构建图像风格迁移模型,并对图像风格迁移模型进行参数更新和谱归一化处理。
图像风格迁移模型包括生成器G(x)、F(x)和鉴别器D(x),结构如图2所示,其中需要说明的是conv-block指的是卷积块,residual block指的是残差块,deconv-block指的是反卷积块,Conv指的是卷积层,Norm指的是批次归一化层,Relu指的是激活函数层,Deconv指的是反卷积层;
在生成器中,对于从源域数据集中输入的图片,先经过三个卷积块进行卷积以减少计算量,再经过八个残差网络块加深模型结构,而后经过反卷积获得与原有图片相同的尺寸,最后通过tanh激活函数得到像素区间为(0,1)的图片。
具体的,生成器G(x)和F(x)分别如下:
G(x)=pdata(x);
F(x)=pdata(x);
进一步的,通过强化学习来优化生成器,公式如下:
Figure BDA0002803830490000061
通过梯度下降策略更新生成器的参数:
Figure BDA0002803830490000062
其中,
Figure BDA0002803830490000063
为生成器的参数梯度,M为采样的完整序列个数,xi为样本x的第i个特征,γ为生成器的全部参数集合,d为人为设定的基线值,Pγ(xi)为输出真实样本的概率,γf为更新后的生成器参数集合,γn为更新前的生成器参数集合。
在鉴别器中,将取自生成器产生的虚假图片或是来自目标风格域的图片先经过一个卷积网络提取特征,再经过三个加入谱归一化的卷积块进一步提取特征,最后经过卷积层得到输出,通过输出的数值得到图片是否为真的权重值。
具体的,鉴别器D(x)如下:
Figure BDA0002803830490000071
其中,x为样本,pg(x)为样本分布,pdata(x)为真实的样本分布。
较佳的是,每一张图片样本在进行训练时,都对鉴别器中的卷积核进行谱归一化处理,即把鉴别器的卷积核权重范围限制在(0,1),减少了模型振荡。
在谱归一化过程中,需要求解权重矩阵W的奇异值,较佳的是,本实施例采用幂迭代策略来近似求取W的奇异值,减轻了计算量;具体的,迭代过程如下:
①Vl 0←随机高斯向量;
Figure BDA0002803830490000072
正则化:
Figure BDA0002803830490000073
Figure BDA0002803830490000074
正则化:
Figure BDA0002803830490000075
迭代次数为将1,将①②③迭代一次后获得W的奇异值,如下所示:
Figure BDA0002803830490000076
进一步的,当||u||=1,v=WTu时,奇异值为:
σ(W)=uTWv
其中,Vl 0为卷积神经网络的l层第0次迭代的随机高斯向量,
Figure BDA0002803830490000077
为l层第k次迭代的最大奇异值的特征向量,Wl为第l层的网络参数矩阵,
Figure BDA0002803830490000078
为卷积神经网络的l层经过K次迭代的随机高斯向量,
Figure BDA0002803830490000079
为对
Figure BDA00028038304900000710
求的谱范数,
Figure BDA00028038304900000711
为对
Figure BDA00028038304900000712
求的谱范数,T表示矩阵的转置;v为随机高斯向量,u为最大奇异值的特征向量,σ(W)为参数矩阵W的奇异值。
需要说明的是,参数W可等效成鉴别器中卷积神经网络的卷积核,当训练数据对神经网络结构进行训练时,每次训练一张图片,更新一次卷积核的权重,并且利用谱归一化求得优化后的卷积核权重;用谱归一化后的权重矩阵,可使卷积核满足李普希茨稳定性限制。
S2:构建图像风格迁移模型的损失函数,并训练图像风格迁移模型,损失值不再降低时停止训练。
通过损失函数来求取图像风格迁移模型的最优解,具体的,损失函数如下所示:
LTOTAL=LGAN(G,DY,X,Y)+LGAN(F,DX,Y,X)+Lcycle(G,F)
其中,DY为Y目标域的鉴别器,X为源域,LTOTAL为总损失函数,LGAN(G,DY,X,Y)为向前映射损失函数,LGAN(F,DX,Y,X)为向后映射损失函数,Lcycle(G,F)为循环函数,作为总损失函数的约束条件。
①对于X域的图片经过生成器到Y域生成风格迁移后的图片和Y域的鉴别器,定义向前映射损失函数:
Figure BDA0002803830490000081
其中,E为期望,y为在Y域中抽取的图片,DY(y)为图片y经过Y域的鉴别器,Pdata指的是图片数据分布y,Pdata(y)为图片y的数据分布。
②为了生成器和鉴别器之间保持一致性,定义循环损失函数:
Figure BDA0002803830490000082
③对于Y域的图片经过生成器到X域生成风格迁移后的图片和X域的鉴别器,定义向后映射损失函数:
Figure BDA0002803830490000083
其中,DX为X域的鉴别器。
S3:通过训练完成的图像迁移风格模型获得风格迁移图片。
生成器产生的图片即为进行风格迁移后的图片。
实施例2
为了对本方法中采用的技术效果加以验证说明,本实施例选择传统的cyclegan风格迁移方法和采用本方法进行对比测试,以科学论证的手段对比试验结果,以验证本方法所具有的真实效果。
传统的cyclegan风格迁移方法只允许生成器产生假数据来欺骗鉴别器,生成器产生的的虚假数据具有与原始真实数据相似的特征,但它不能实现从一个领域到另一个领域的风格转换,且模型本身难以收敛。
为验证本方法相对传统方法具有较快的收敛性,本实施例中将采用传统的cyclegan风格迁移方法和本方法分别对在风格迁移过程中产生的损失值进行实时测量对比。
测试环境:CPU:3.0GHz;Memory:16GB;OS:win1064位;显卡:GTX 2080-TI。
训练参数设定:image_size=256,random_seed=1234,learning-rate=0.0002,epoch=2000,eanch_step=200,adam优化器的betal=0.5。
将420张标记好的图片作为模型的数据集,进行模型训练和测试;将数据集分为训练集和测试集,其中,训练集A包含200张女网红脸图片,训练集B包含了200张女漫画照片,测试集A中包含了10张女网红脸图片,测试集B中包含了10张女漫画图片,进行训练时,会将所有照片的像素调整至256x256像素。
用训练集A和测试集A对传统的cyclegan结构进行训练和测试,其在风格迁移过程中损失值的变化分别如图3、图4、图5和图6所示。
用训练集A和测试集A对本方法的图像风格迁移模型进行训练和测试,其在风格迁移过程中损失值的变化分别如图7、图8、图9和图10所示。
由图3、图4、图5、图6分别对比图7、图8、图9、图10可见本方法的模型相较于传统的cyclegan结构而言,振荡较小,且收敛明显加快。
此外,利用本方法得到了真实人脸图片向卡通剧人脸图片迁移的场景和卡通剧人脸图片向真实人脸图片迁移的场景,迁移结果分别如图11和图12所示。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种图片风格迁移方法,其特征在于:包括,
基于神经网络构建图像风格迁移模型,并对所述图像风格迁移模型进行参数更新和谱归一化处理;
构建所述图像风格迁移模型的损失函数,并训练所述处理完成的图像风格迁移模型,损失值不再降低时停止训练;
通过所述训练完成的图像迁移风格模型获得风格迁移图片。
2.如权利要求1所述的图片风格迁移方法,其特征在于:所述图像风格迁移模型包括生成器和鉴别器,
所述生成器G(x)和F(x):
G(x)=pdata(x);
F(x)=pdata(x);
所述鉴别器D(x):
Figure FDA0002803830480000011
其中,x为样本,pg(x)为样本分布,pdata(x)为真实的样本分布。
3.如权利要求2所述的图片风格迁移方法,其特征在于:所述生成器还包括,
通过强化学习对所述生成器进行优化:
Figure FDA0002803830480000012
通过梯度下降策略更新所述生成器的参数:
Figure FDA0002803830480000013
其中,
Figure FDA0002803830480000014
为所述生成器的参数梯度,M为采样的完整序列个数,xi为所述样本x的第i个特征,γ为所述生成器的全部参数集合,d为人为设定的基线值,Pγ(xi)为输出真实样本的概率,γf为更新后的生成器参数集合,γn为更新前的生成器参数集合。
4.如权利要求1或3所述的图片风格迁移方法,其特征在于:所述谱归一化包括,
将所述鉴别器的卷积核权重范围限制在(0,1)。
5.如权利要求4所述的图片风格迁移方法,其特征在于:还包括,
通过幂迭代策略求取所述鉴别器的参数矩阵W的奇异值,进而获得每层参数矩阵的谱范数。
6.如权利要求5所述的图片风格迁移方法,其特征在于:所述获得谱范数包括:
按下式进行k次迭代:
Vl 0←随机高斯向量;
Figure FDA0002803830480000021
正则化:
Figure FDA0002803830480000022
Figure FDA0002803830480000023
正则化:
Figure FDA0002803830480000024
所述W的奇异值σl(W)如下:
Figure FDA0002803830480000025
当||u||=1,v=WTu时,所述奇异值为:
σ(W)=uTWv
其中,Vl 0为卷积神经网络的l层第0次迭代的随机高斯向量,
Figure FDA00028038304800000212
为所述l层第k次迭代的最大奇异值的特征向量,Wl为第l层的网络参数矩阵,
Figure FDA0002803830480000028
为卷积神经网络的1层经过K次迭代的随机高斯向量,
Figure FDA00028038304800000210
为对所述
Figure FDA0002803830480000029
求的谱范数,
Figure FDA00028038304800000211
为对所述
Figure FDA0002803830480000027
求的谱范数,T表示矩阵的转置;v为随机高斯向量,u为最大奇异值的特征向量,σ(W)为所述参数矩阵W的奇异值。
7.如权利要求2、5、6任一所述的图片风格迁移方法,其特征在于:所述损失函数包括:
LTOTAL=LGAN(G,DY,X,Y)+LGAN(F,DX,Y,X)+Lcycle(G,F)
其中,LT0TAL为总损失函数,LGAN(G,DY,X,Y)为向前映射损失函数,LGAN(F,DX,Y,X)为向后映射损失函数,Lcycle(G,F)为循环函数,DY为Y目标域的鉴别器,X为源域。
8.如权利要求7所述的图片风格迁移方法,其特征在于:所述向前映射损失函数包括:
对于所述X域的图片经过所述生成器到所述Y域生成所述风格迁移后的图片和Y域的鉴别器,定义所述向前映射损失函数:
Figure FDA0002803830480000026
其中,E为期望,y为在所述Y域中抽取的图片,DY(y)为所述图片y经过所述Y域的鉴别器,Pdata指的是图片数据分布y,Pdata(y)为所述图片y的数据分布。
9.如权利要求8所述的图片风格迁移方法,其特征在于:所述循环损失函数包括:
Figure FDA0002803830480000031
10.如权利要求8或9所述的图片风格迁移方法,其特征在于:所述向后映射损失函数包括:
对于所述Y域的图片经过所述生成器到所述X域生成所述风格迁移后的图片和X域的鉴别器,定义所述向后映射损失函数:
Figure FDA0002803830480000032
其中,DX为所述X域的鉴别器。
CN202011360407.7A 2020-11-27 2020-11-27 一种图片风格迁移方法 Pending CN112330535A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011360407.7A CN112330535A (zh) 2020-11-27 2020-11-27 一种图片风格迁移方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011360407.7A CN112330535A (zh) 2020-11-27 2020-11-27 一种图片风格迁移方法

Publications (1)

Publication Number Publication Date
CN112330535A true CN112330535A (zh) 2021-02-05

Family

ID=74308534

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011360407.7A Pending CN112330535A (zh) 2020-11-27 2020-11-27 一种图片风格迁移方法

Country Status (1)

Country Link
CN (1) CN112330535A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113066114A (zh) * 2021-03-10 2021-07-02 北京工业大学 一种基于Retinex模型的卡通风格迁移方法
CN113538216A (zh) * 2021-06-16 2021-10-22 电子科技大学 一种基于属性分解的图像风格迁移方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110570346A (zh) * 2019-08-19 2019-12-13 西安理工大学 一种基于循环生成对抗网络对书法进行风格迁移的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110570346A (zh) * 2019-08-19 2019-12-13 西安理工大学 一种基于循环生成对抗网络对书法进行风格迁移的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙博: "基于生成对抗网络的文本自动生成方法研究", 中国优秀硕士学位论文全文数据库, pages 1 - 57 *
王飞祥: "基于特征学习的半监督极化 SAR 地物分类研究", 中国优秀硕士学位论文全文数据库, pages 1 - 69 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113066114A (zh) * 2021-03-10 2021-07-02 北京工业大学 一种基于Retinex模型的卡通风格迁移方法
CN113538216A (zh) * 2021-06-16 2021-10-22 电子科技大学 一种基于属性分解的图像风格迁移方法

Similar Documents

Publication Publication Date Title
US11715258B2 (en) Method for reconstructing a 3D object based on dynamic graph network
CN111145116B (zh) 一种基于生成对抗网络的海面雨天图像样本增广方法
CN110021037A (zh) 一种基于生成对抗网络的图像非刚性配准方法及系统
CN107085629B (zh) 一种基于视频重建与欧拉模型耦合的流体仿真方法
CN109241491A (zh) 基于联合低秩和稀疏表示的张量结构性缺失填充方法
CN112330535A (zh) 一种图片风格迁移方法
CN109948714A (zh) 基于残差卷积和递归神经网络的中文场景文本行识别方法
CN111046737B (zh) 一种用于微地震信号检测的高效智能感知采集方法
CN112884668A (zh) 基于多尺度的轻量级低光图像增强方法
CN111861906A (zh) 一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法
CN111025385B (zh) 一种基于低秩和稀疏约束的地震数据重建方法
CN112699838B (zh) 基于光谱诊断特征加权的高光谱混合像元非线性盲分解方法
CN107038730A (zh) 基于高斯尺度结构块分组的稀疏表示图像重建方法
CN107292337A (zh) 超低秩张量数据填充方法
CN112614070A (zh) 一种基于DefogNet的单幅图像去雾方法
CN113762481A (zh) 一种基于深度学习的层析成像方法及系统
CN109615577A (zh) 基于卷积网络的高光谱图像超分辨处理方法
CN112232129A (zh) 基于生成对抗网络的电磁信息泄漏信号仿真系统及方法
CN113096015A (zh) 基于渐进式感知和超轻量级网络的图像超分辨率重建方法
CN114783039B (zh) 一种3d人体模型驱动的运动迁移方法
CN109887023A (zh) 一种基于加权梯度幅度的双目融合立体图像质量评价方法
CN110060314A (zh) 一种基于人工智能的ct迭代重建加速方法及系统
CN116503499A (zh) 一种基于循环生成对抗网络的素描画生成方法及系统
CN115482434A (zh) 一种基于多尺度生成对抗网络的小样本高质量生成的方法
CN109584194A (zh) 基于卷积变分概率模型的高光谱图像融合方法

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