[发明专利]一种生成式对抗网络模型的图像融合方法和判别器

权利要求书

1.一种生成式对抗网络模型的图像融合方法，其特征在于，包括：

S1：获取到生成器生成的图像；

S2：判别器在获取到生成器生成的图像后，对所述图像进行分解得到颜色通道；

S3：判别器在得到颜色通道后，通过预置卷积核对所述颜色通道进行单层卷积得到特征图，判别器在对图像每进行一层卷积后，对所述特征图进行融合得到融合后的图像；

S4：循环执行S2和S3直至卷积次数等于预置次数，所述预置次数为判别器中的卷积层数。

2.根据权利要求1所述的生成式对抗网络模型的图像融合方法，其特征在于，S4之后还包括：

S5：确定与最后一次卷积操作对应的所述图像为最终图像，根据所述最终图像生成损失函数，并将所述损失函数发送至所述生成器；

其中，所述损失函数为：

式中，D(x)为判别器对生成器生成的图像的判别结果，pr表示预置数据集图像的分布，pg表示最终图像的分布，λ为超参数，为梯度。

3.根据权利要求1所述的生成式对抗网络模型的图像融合方法，其特征在于，步骤S1具体为：

获取到生成器根据文本和噪声生成的图像。

4.根据权利要求3所述的生成式对抗网络模型的图像融合方法，其特征在于，所述文本为编码后的文本，所述噪声为随机噪声。

5.一种生成式对抗网络模型的判别器，其特征在于，包括：

获取模块，用于获取到生成器生成的图像；

分解模块，用于对所述图像进行分解得到颜色通道；

卷积模块，用于通过预置卷积核对所述颜色通道进行单层卷积得到特征图，在对图像每进行一层卷积后，对所述特征图进行融合得到融合后的图像；

循环模块，用于循环触发分解模块和卷积模块直至卷积次数等于预置次数，所述预置次数为判别器中的卷积层数。

6.根据权利要求5所述的判别器，其特征在于，还包括：

反馈模块，用于确定与最后一次卷积操作对应的所述图像为最终图像，根据所述最终图像生成损失函数，并将所述损失函数发送至所述生成器；

其中，所述损失函数为：

式中，D(x)为判别器对生成器生成的图像的判别结果，pr表示预置数据集图像的分布，pg表示最终图像的分布，λ为超参数，为梯度。

7.根据权利要求6所述的判别器，其特征在于，所述获取模块还用于获取到生成器根据文本和噪声生成的图像。

8.根据权利要求7所述的判别器，其特征在于，所述文本为编码后的文本，所述噪声为随机噪声。

9.一种生成式对抗网络模型，其特征在于，包括：生成器和如权利要求5至8任意一项所述的判别器。

10.根据权利要求9所述的生成式对抗网络模型，其特征在于，所述生成器和所述判别器由深度卷积神经网络构建。