期刊专题

10.3778/j.issn.1002-8331.1910-0405

引入特征损失对CycleGAN的影响研究

引用
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.

图像生成、CycleGAN、特征损失、图像清晰度、风格迁移

56

TP183(自动化基础理论)

2020-11-20(万方平台首次上网日期,不代表论文的发表时间)

共7页

217-223

暂无封面信息
查看本期封面目录

计算机工程与应用

1002-8331

11-2127/TP

56

2020,56(22)

专业内容知识聚合服务平台

国家重点研发计划“现代服务业共性关键技术研发及应用示范”重点专项“4.8专业内容知识聚合服务技术研发与创新服务示范”

国家重点研发计划资助 课题编号:2019YFB1406304
National Key R&D Program of China Grant No. 2019YFB1406304

©天津万方数据有限公司 津ICP备20003920号-1

信息网络传播视听节目许可证 许可证号:0108284

网络出版服务许可证:(总)网出证(京)字096号

违法和不良信息举报电话:4000115888    举报邮箱:problem@wanfangdata.com.cn

举报专区:https://www.12377.cn/

客服邮箱:op@wanfangdata.com.cn