引入特征损失对CycleGAN的影响研究

摘要：

在图像生成领域,传统的图像风格迁移需要在两个配对的图像间进行转换.循环一致性生成对抗网络(Cycle Generative Adversarial Network,CycleGAN)在2017年被提出后,凭借其可以针对非配对图像进行图像生成的特点取得了良好的效果,迅速成为图像生成领域的研究热点.然而经典的CycleGAN由于生成器无法准确识别图像的特定转换域和无关域,从而存在图像无关域特征随意变换的缺点,使得生成图像失真.针对以上问题,通过引入特征损失来约束生成器的特征识别,利用L1损失保证转换后的图像与原图像的像素级别对应,可以有效改善该问题,并使得生成图像更清晰.通过调整特征损失的比例超参数μ,进一步分析了选取不同μ值下的特征损失时,CycleGAN的各部分损失变化以及对生成图像的质量影响,最后给出了特征损失的比例超参数μ值的选取策略.

关键词：图像生成、CycleGAN、特征损失、图像清晰度、风格迁移

所属期刊栏目：56

分类号：TP183(自动化基础理论)

在线出版日期：2020-11-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：217-223