CN114240810B - 一种基于渐进式生成网络的人脸素描-照片合成方法 - Google Patents

一种基于渐进式生成网络的人脸素描-照片合成方法 Download PDF

Info

Publication number
CN114240810B
CN114240810B CN202111324908.4A CN202111324908A CN114240810B CN 114240810 B CN114240810 B CN 114240810B CN 202111324908 A CN202111324908 A CN 202111324908A CN 114240810 B CN114240810 B CN 114240810B
Authority
CN
China
Prior art keywords
face image
residual
sketch
network model
deep
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
CN202111324908.4A
Other languages
English (en)
Other versions
CN114240810A (zh
Inventor
孙锐
孙琦景
单晓全
张磊
余益衡
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202111324908.4A priority Critical patent/CN114240810B/zh
Publication of CN114240810A publication Critical patent/CN114240810A/zh
Application granted granted Critical
Publication of CN114240810B publication Critical patent/CN114240810B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

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

本发明公开了一种基于渐进式生成网络的人脸素描‑照片合成方法，其步骤包括：1、收集不同人的面部光学人脸图像以及对应的素描人脸图像，并对图像进行预处理，从而获得数据集图像；2、引入多残差融合网络，构建包含生成器、判别器以及通道注意力在内的渐进式生成对抗网络模型；3、选择适当的损失函数和优化函数来更新网络参数，利用素描人脸图像对渐进式生成对抗网络模型进行训练；4、输入素描人脸图像生成光学人脸图像。本发明能充分提取输入图像深层多样化特征信息，并且通过渐进式生成模型由粗到精的对合成光学人脸图像进行约束，使得合成的图像面部细节完整，清晰度更高。

Description

一种基于渐进式生成网络的人脸素描-照片合成方法
技术领域
本发明属于计算机视觉技术领域，具体涉及一种基于渐进式生成网络的人脸素描-照片合成方法。
背景技术
在过去的几十年中，生物识别技术的研究取得了重大进展，由于数据收集的便利性与泛在性，人脸仍然是应用最为广泛的生物识别载体。但是由于素描图像与照片图像存在较大风格差异无法有效进行自动识别，比较适宜的方式是将其转换为光学人脸照片。
现有的素描人脸图像合成光学人脸图像的方法通常使用较深的神经网络来合成图像，但是随着网络深度的增加可能会出现性能下降等问题，这是因为它们在网络传输时会造成图像细节特征信息的逐级丢失，导致图像的自然分布和学习模型分布之间的重叠减少了，使得合成的图像会产生清晰度低、面部变形以及颜色不一致等问题。
发明内容
本发明为了克服现有技术合成的图像清晰度低，面部细节模糊等问题，提出一种基于渐进式生成网络的人脸素描-照片合成方法，以期通过渐进迭代的方式由粗到精的对网络进行约束，从而能提高合成的光学人脸图像质量。
本发明为解决技术问题采用如下技术方案：
本发明一种基于渐进式生成网络的人脸素描-照片合成方法的特点在于，包括以下步骤：
步骤1、获取D个不同人的光学人脸图像以及对应的素描人脸图像，并对获取的图像进行预处理后构建数据集，其中，光学人脸图像数据集记为P＝{P1,P2,...,Pt,...,PD}；素描人脸图像数据集记为S＝{S1,S2,...,St,...,SD}，Pt、St分别表示第t个人的一幅光学人脸图像和素描人脸图像，且尺寸均为M×M；
对第t个人的素描人脸图像St及其对应的光学人脸图像Pt分别进行两次下采样，相应获得尺寸为M/2×M/2的第一素描人脸图像S′t以及第一光学人脸图像Pt′、尺寸为M/4×M/4的第二素描人脸图像S″t以及第二光学人脸图像Pt″；
步骤2、构建包含多残差融合生成器、通道注意力模块以及判别器的渐进式生成对抗网络模型；
所述多残差融合生成器包含c1个卷积层、1个多残差融合网络和c2个反卷积层；
所述多残差融合网络依次包含n个密集残差模块、1个残差计算模块和b个卷积层；
所述渐进式生成对抗网络模型的各卷积层和各反卷积层之间分别连接有LeakRelu层和批归一化层；
步骤2.1、将第二素描人脸图像S″t输入所述多残差融合生成器中并经过c1个卷积层，得到浅层特征Ft″；
步骤2.2、所述浅层特征Ft″经过所述多残差融合网络中，并经过第1个密集残差模块的处理后，得到输出特征F″t,1，再将第i个密集残差模块的输出特征F″t,i作为第i+1个密集残差模块的输入；从而得到每个密集残差模块的输出特征{F″t,1,F″t,2,...,F″t,i,...,F″t,n}；然后通过残差计算模块将第1个到第n-1个密集残差模块的输出特征{F″t,1,F″t,2,...,F″t,n-1}分别与第n个密集残差模块的输出特征F″t,n进行残差计算，获得相应的残差特征{G″t,1,G″t,2,...,G″t,n-1}，再将残差特征 {G″t,1,G″t,2,...,G″t,n-1}按照通道方向进行拼接后，得到拼接结果G″t，所述拼接结果G″t经过b个卷积层的通道数调整后，得到第二深层多样化特征R″t；
步骤2.3、所述第二深层多样化特征R″t依次经过c3个反卷积层的处理后生成尺寸为M/4 ×M/4的第二光学人脸图像记为I″t；
步骤2.4、将第二深层多样化特征R″t输入到所述通道注意力模块中进行不同通道的权重赋值，得到第二通道注意力特征A″t；
步骤2.5、按照步骤2.1-步骤2.2的过程，对第一素描人脸图像S′t进行处理，得到第一深层多样化特征R′t；
步骤2.6、将第二通道注意力特征A″t与第一深层多样化特征R′t进行像素间相加后，依次经过c3个反卷积层处理，生成尺寸为M/2×M/2的第一光学人脸图像记I′t；
步骤2.7、将第一深层多样化特征R′t输入到所述通道注意力模块中进行不同通道的权重赋值，得到第一通道注意力特征A′t；
步骤2.8、按照步骤2.1-步骤2.2的过程，对第t个人的素描人脸图像St进行处理，得到深层多样化特征Rt；
步骤2.9、将第一通道注意力特征A′t与深层多样化特征Rt进行像素间相加后，依次经过c3个反卷积层处理，生成尺寸为M×M的光学人脸图像It；
步骤3、通过对抗性损失、合成损失对渐进式生成对抗网络模型进行优化，并更新网络模型的参数；
利用式(1)建立第t个人的判别器损失
式(1)中，E表示期望，D表示判别器，G表示多残差融合生成器；
利用式(2)建立第t个人的多残差融合生成器损失
利用式(3)建立第t个人的合成损失
利用式(4)计算渐进式生成对抗网络模型的总损失Lt，再使用自适应矩估计优化方法以学习率lr来更新网络模型里的每一个权值，使得总损失Lt趋于稳定，从而得到训练好的渐进式生成对抗网络模型；
式(4)中，λ表示权重系数，用于平衡对抗性损失和合成损失；
步骤4、将待测试的素描人脸图像输入到训练好的渐进式生成网络模型中，从而输出对应的光学人脸图像。
与已有技术相比，本发明有益效果体现在：
1.本发明通过构建渐进式生成的素描人脸图像合成光学人脸图像网络，以渐进迭代的方式对网络模型进行由粗到细的约束，使得网络可以合成清晰高质量的光学人脸图像。
2.本发明通过在生成器中引入多残差融合网络，使得生成器网络可以提取输入图像丰富的深层多样化特征，减少了网络在传输时造成的逐级信息丢失，并且提高了图像特征信息的流通，避免了由于网络过深所引起的梯度消失和退化问题。
3.本发明将三种分辨率的素描人脸图像共享一个多残差融合生成器的权重以学习三种分辨率图像之间的不同尺度特征，减少了网络参数，缩短了训练时间，从而使得生成的光学人脸图像可以更好地保持输入素描人脸图像的面部细节特征。
附图说明
图1为本发明的素描人脸图像合成光学人脸图像方法结构图；
图2为本发明的多残差融合生成器结构图；
图3为本发明素描人脸图像合成光学人脸图像方法流程图。
具体实施方式
本实施例中，一种基于渐进式生成网络的人脸素描-照片合成方法，是先收集下载不同人的素描人脸图像和与之对应的光学人脸图像，并对人脸图像进行预处理，从而获得数据集图像；然后引入多残差融合网络到生成器中，构建包含多残差融合生成器、判别器以及通道注意力在内的渐进式生成对抗网络模型；再通过适当的损失函数对网络进行优化并更新网络参数；接着，利用制作好的素描人脸图像和光学人脸图像训练渐进式生成网络模型；最后输入实际的素描人脸图像，合成与之对应的光学人脸图像。具体地说，如图3所示，是按如下步骤进行：
步骤1、获取D个不同人的光学人脸图像以及对应的素描人脸图像，并对获取的图像进行预处理后构建数据集，其中，光学人脸图像数据集记为P＝{P1,P2,...,Pt,...,PD}；素描人脸图像数据集记为S＝{S1,S2,...,St,...,SD}，Pt、St分别表示第t个人的一幅光学人脸图像和素描人脸图像，且尺寸均为M×M；本实施例中，采用人脸素描数据库CUHK数据集训练和评估模型，CUHK数据集有188个人的素描人脸图像以及对应的光学人脸图像，每一个素描人脸图像都是由艺术家根据每个人在正常光照下拍摄的正面姿势照片来绘制，并且图像尺寸均为25 6×256，在本实例中，选取100个人的素描人脸图像以及对应的光学人脸图像用于训练模型，剩余的用于评估模型，M取值为256；
对第t个人的素描人脸图像St及其对应的光学人脸图像Pt分别进行两次下采样，相应获得尺寸为M/2×M/2的第一素描人脸图像S′t以及第一光学人脸图像Pt′、尺寸为M/4×M/4的第二素描人脸图像S″t以及第二光学人脸图像Pt″；
步骤2、如图1所示，构建包含多残差融合生成器、通道注意力模块以及判别器的渐进式生成对抗网络模型；
如图2所示，多残差融合生成器包含c1个卷积层、1个多残差融合网络和c2个反卷积层；本实施例中，c1取值为3，c2取值为3；
多残差融合网络依次包含n个密集残差模块、1个残差计算模块和b个卷积层；本实施例中，n取值为8，b取值为1；
渐进式生成对抗网络模型的各卷积层和各反卷积层之间分别连接有LeakRelu层和批归一化层；
步骤2.1、将第二素描人脸图像S″t输入多残差融合生成器中并经过c1个卷积层，得到浅层特征Ft″；
步骤2.2、浅层特征Ft″经过多残差融合网络中，并经过第1个密集残差模块的处理后，得到输出特征F″t,1，再将第i个密集残差模块的输出特征F″t,i作为第i+1个密集残差模块的输入；从而得到每个密集残差模块的输出特征{F″t,1,F″t,2,...,F″t,i,...,F″t,n}；然后通过残差计算模块将第1个到第n-1个密集残差模块的输出特征{F″t,1,F″t,2,...,F″t,n-1}分别与第n个密集残差模块的输出特征 F″t,n进行残差计算，获得相应的残差特征{G″t,1,G″t,2,...,G″t,n-1}，再将残差特征{G″t,1,G″t,2,...,G″t,n-1}按照通道方向进行拼接后，得到拼接结果G″t，拼接结果G″t经过b个卷积层的通道数调整后，得到第二深层多样化特征R″t；本实施例中，通过在生成器中加入多残差融合网络，可以减少输入图像在网络传输时造成的逐级信息丢失，并且可以提取丰富的图像细节信息，使得合成的光学人脸图像面部细节保持的更好、清晰度更高，并且减少生成图像中伪影的出现；
步骤2.3、第二深层多样化特征R″t依次经过c3个反卷积层的处理后生成尺寸为M/4×M/4 的第二光学人脸图像记为I″t；
步骤2.4、将第二深层多样化特征R″t输入到通道注意力模块中进行不同通道的权重赋值，得到第二通道注意力特征A″t；通道注意力模块通过关注特征空间中各个通道之间的联系来给不同通道赋予不同的权重，通过自适应重新校准来充分捕获信道依赖，使网络更加关注含有丰富高频信息的通道，有助于提高合成图像的质量；
步骤2.5、按照步骤2.1-步骤2.2的过程，对第一素描人脸图像S′t进行处理，得到第一深层多样化特征R′t；
步骤2.6、将第二通道注意力特征A″t与第一深层多样化特征R′t进行像素间相加后，依次经过c3个反卷积层处理，生成尺寸为M/2×M/2的第一光学人脸图像记I′t；
步骤2.7、将第一深层多样化特征R′t输入到通道注意力模块中进行不同通道的权重赋值，得到第一通道注意力特征A′t；
步骤2.8、按照步骤2.1-步骤2.2的过程，对第t个人的素描人脸图像St进行处理，得到深层多样化特征Rt；
步骤2.9、将第一通道注意力特征A′t与深层多样化特征Rt进行像素间相加后，依次经过c3个反卷积层处理，生成尺寸为M×M的光学人脸图像It；
步骤3、通过对抗性损失、合成损失对渐进式生成对抗网络模型进行优化，并更新网络模型的参数；
步骤3.1、根据式(1)计算第t个人的判别器损失
式(1)中，E表示期望，D表示判别器，G表示多残差融合生成器；
步骤3.2、根据式(2)计算第t个人的多残差融合生成器损失
根据式(3)计算第t个人的合成损失
本实施例中，将三种分辨率的合成光学人脸图像与对应的真实光学人脸图像在1范数空间中计算两者之间的损失通过最小化合成损失/>使得合成图像更接近真实图像，从而提高合成图像的质量；
根据式(4)计算渐进式生成对抗网络最终的总损失Lt，再使用自适应矩估计优化方法以学习率lr来更新网络模型里的每一个权值，使得最终的总损失Lt趋于稳定，得到训练好的渐进式生成对抗网络模型；本实施例中，学习率lr取值为0.0002，前100次迭代学习率lr不变，后100次迭代学习率lr线性衰减为0，总共迭代训练200次；
式(4)中，λ表示权重系数，用于平衡对抗性损失和合成损失；本实施例中，λ取值为5；
生成对抗网络通过生成器与判别器两个网络相互对抗，不断调整权重参数，最终使得判别器无法判别生成器生成图像的真实性，但是生成对抗网络在训练过程中容易出现不稳定情况，将合成损失与对抗性损失相结合可以稳定训练过程；
步骤4、将待测试的素描人脸图像输入到训练好的渐进式生成网络中，从而输出对应的光学人脸图像。
综上所述，本方法能充分提取输入图像深层多样化特征信息，并且通过渐进式生成模型由粗到精的对合成光学人脸图像进行约束，使得合成的图像面部细节完整，清晰度更高。

Claims (1)

1.一种基于渐进式生成网络的人脸素描-照片合成方法，其特征在于，包括以下步骤：
步骤1、获取D个不同人的光学人脸图像以及对应的素描人脸图像，并对获取的图像进行预处理后构建数据集，其中，光学人脸图像数据集记为P＝{P1,P2,...,Pt,...,PD}；素描人脸图像数据集记为S＝{S1,S2,...,St,...,SD}，Pt、St分别表示第t个人的一幅光学人脸图像和素描人脸图像，且尺寸均为M×M；
对第t个人的素描人脸图像St及其对应的光学人脸图像Pt分别进行两次下采样，相应获得尺寸为M/2×M/2的第一素描人脸图像S′t以及第一光学人脸图像Pt′、尺寸为M/4×M/4的第二素描人脸图像S″t以及第二光学人脸图像Pt″；
步骤2、构建包含多残差融合生成器、通道注意力模块以及判别器的渐进式生成对抗网络模型；
所述多残差融合生成器包含c1个卷积层、1个多残差融合网络和c2个反卷积层；
所述多残差融合网络依次包含n个密集残差模块、1个残差计算模块和b个卷积层；
所述渐进式生成对抗网络模型的各卷积层和各反卷积层之间分别连接有LeakRelu层和批归一化层；
步骤2.1、将第二素描人脸图像S″t输入所述多残差融合生成器中并经过c1个卷积层，得到浅层特征Ft″；
步骤2.2、所述浅层特征Ft″经过所述多残差融合网络中，并经过第1个密集残差模块的处理后，得到输出特征F″t,1，再将第i个密集残差模块的输出特征F″t,i作为第i+1个密集残差模块的输入；从而得到每个密集残差模块的输出特征{F″t,1,F″t,2,...,F″t,i,...,F″t,n}；然后通过残差计算模块将第1个到第n-1个密集残差模块的输出特征{F″t,1,F″t,2,...,F″t,n-1}分别与第n个密集残差模块的输出特征F″t,n进行残差计算，获得相应的残差特征{G″t,1,G″t,2,...,G″t,n-1}，再将残差特征{G″t,1,G″t,2,...,G″t,n-1}按照通道方向进行拼接后，得到拼接结果G″t，所述拼接结果G″t经过b个卷积层的通道数调整后，得到第二深层多样化特征R″t；
步骤2.3、所述第二深层多样化特征R″t依次经过c3个反卷积层的处理后生成尺寸为M/4×M/4的第二光学人脸图像记为I″t；
步骤2.4、将第二深层多样化特征R″t输入到所述通道注意力模块中进行不同通道的权重赋值，得到第二通道注意力特征A″t；
步骤2.5、按照步骤2.1-步骤2.2的过程，对第一素描人脸图像S′t进行处理，得到第一深层多样化特征R′t；
步骤2.6、将第二通道注意力特征A″t与第一深层多样化特征R′t进行像素间相加后，依次经过c3个反卷积层处理，生成尺寸为M/2×M/2的第一光学人脸图像记I′t；
步骤2.7、将第一深层多样化特征R′t输入到所述通道注意力模块中进行不同通道的权重赋值，得到第一通道注意力特征A′t；
步骤2.8、按照步骤2.1-步骤2.2的过程，对第t个人的素描人脸图像St进行处理，得到深层多样化特征Rt；
步骤2.9、将第一通道注意力特征A′t与深层多样化特征Rt进行像素间相加后，依次经过c3个反卷积层处理，生成尺寸为M×M的光学人脸图像It；
步骤3、通过对抗性损失、合成损失对渐进式生成对抗网络模型进行优化，并更新网络模型的参数；
利用式(1)建立第t个人的判别器损失
式(1)中，E表示期望，D表示判别器，G表示多残差融合生成器；
利用式(2)建立第t个人的多残差融合生成器损失
利用式(3)建立第t个人的合成损失
利用式(4)计算渐进式生成对抗网络模型的总损失Lt，再使用自适应矩估计优化方法以学习率lr来更新网络模型里的每一个权值，使得总损失Lt趋于稳定，从而得到训练好的渐进式生成对抗网络模型；
式(4)中，λ表示权重系数，用于平衡对抗性损失和合成损失；
步骤4、将待测试的素描人脸图像输入到训练好的渐进式生成网络模型中，从而输出对应的光学人脸图像。
CN202111324908.4A 2021-11-10 2021-11-10 一种基于渐进式生成网络的人脸素描-照片合成方法 Active CN114240810B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111324908.4A CN114240810B (zh) 2021-11-10 2021-11-10 一种基于渐进式生成网络的人脸素描-照片合成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111324908.4A CN114240810B (zh) 2021-11-10 2021-11-10 一种基于渐进式生成网络的人脸素描-照片合成方法

Publications (2)

Publication Number Publication Date
CN114240810A CN114240810A (zh) 2022-03-25
CN114240810B true CN114240810B (zh) 2023-08-08

Family

ID=80748933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111324908.4A Active CN114240810B (zh) 2021-11-10 2021-11-10 一种基于渐进式生成网络的人脸素描-照片合成方法

Country Status (1)

Country Link
CN (1) CN114240810B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115063859A (zh) * 2022-06-23 2022-09-16 山东大学 基于生成对抗网络的人脸图像转换成素描的方法及系统
CN114881909A (zh) * 2022-07-12 2022-08-09 安徽云森物联网科技有限公司 基于注意力机制与边缘约束的人脸素描合成照片方法
CN117151980A (zh) * 2023-09-05 2023-12-01 宁波大学 一种渐进式特征强化的大尺度遥感图像超分辨率方法
CN117830083B (zh) * 2024-03-05 2024-05-03 昆明理工大学 一种人脸素描到人脸照片的生成方法、装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110659582A (zh) * 2019-08-29 2020-01-07 深圳云天励飞技术有限公司 图像转换模型训练方法、异质人脸识别方法、装置及设备
CN112132741A (zh) * 2020-08-18 2020-12-25 山东大学 一种人脸照片图像和素描图像的转换方法及系统
KR102288759B1 (ko) * 2021-03-26 2021-08-11 인하대학교 산학협력단 적대적 생성신경망에서의 조절 가능한 데이터셋 생성 방법 및 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110659582A (zh) * 2019-08-29 2020-01-07 深圳云天励飞技术有限公司 图像转换模型训练方法、异质人脸识别方法、装置及设备
CN112132741A (zh) * 2020-08-18 2020-12-25 山东大学 一种人脸照片图像和素描图像的转换方法及系统
KR102288759B1 (ko) * 2021-03-26 2021-08-11 인하대학교 산학협력단 적대적 생성신경망에서의 조절 가능한 데이터셋 생성 방법 및 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《深度学习在铝型材表面缺陷检测中的应用研究》;张磊;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;B022-269 *

Also Published As

Publication number Publication date
CN114240810A (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
CN114240810B (zh) 一种基于渐进式生成网络的人脸素描-照片合成方法
CN108876735B (zh) 一种基于深度残差网络的真实图像盲去噪方法
CN110119780B (zh) 基于生成对抗网络的高光谱图像超分辨重建方法
CN109191382B (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
CN111798369B (zh) 一种基于循环条件生成对抗网络的人脸衰老图像合成方法
CN112801881B (zh) 一种高分辨率高光谱计算成像方法、系统及介质
CN112184577A (zh) 基于多尺度自注意生成对抗网络的单幅图像去雾方法
CN111275638B (zh) 基于多通道注意力选择生成对抗网络的人脸修复方法
CN112967178B (zh) 一种图像转换方法、装置、设备及存储介质
CN112270644A (zh) 基于空间特征变换和跨尺度特征集成的人脸超分辨方法
CN112614056B (zh) 图像超分辨率处理方法
CN114445292A (zh) 一种多阶段渐进式水下图像增强方法
CN113379655B (zh) 一种基于动态自注意力生成对抗网络的图像合成方法
CN112070668A (zh) 一种基于深度学习和边缘增强的图像超分辨方法
CN114495957A (zh) 一种基于Transformer改进的语音增强方法、系统、装置
CN105184742B (zh) 一种基于拉普拉斯图特征向量的稀疏编码的图像去噪方法
CN118052707A (zh) 基于Transformer的局部与全局交互融合的轻量级超分辨率重建方法
CN113379606B (zh) 一种基于预训练生成模型的人脸超分辨方法
CN114283301A (zh) 一种基于Transformer的自适应医学影像分类方法及系统
CN117793371A (zh) 一种基于Swin-Unet架构的多张高分辨率彩色图像隐藏方法
CN117095069A (zh) 一种基于改进生成对抗网络的高质量图像生成方法
CN111489306A (zh) 基于强化学习的图像去噪方法
CN116091885A (zh) 一种基于rau-gan的肺结节数据增强方法
CN116977455A (zh) 基于深度双向学习的人脸素描图像生成系统及方法
CN115439849A (zh) 基于动态多策略gan网络的仪表数字识别方法及系统

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