[发明专利]一种基于统一生成对抗网络的多域图像转换技术

说明书

本发明中提出的一种基于统一生成对抗网络的多域图像转换技术，其主要内容包括：训练鉴别器、原始域转换到目标域、目标域转换到原始域、蒙蔽鉴别器，其过程为，首先使用一个鉴别器D去学习鉴别真假图像，并把真实图像分类至与其相应的域里面；接着同时把图像和目标域标签作为生成器G的输入，产生一个假图像；再接着，在给定原始域标签的情况下，G尝试根据假图像来重建原始图像；然后D不断学习以区分真实图像和合成的图像，G不断学习以蒙蔽D；最后G试图生成与真图像无区别并且可以被D分类为目标域的图像。本发明使用一个模型来执行多域图像到图像的转换，提高了转换图像的质量，并具有将输入图像灵活转换成任何期望目标图像的能力。

技术领域

本发明涉及图像转换领域，尤其是涉及了一种基于统一生成对抗网络的多域图像转换技术。

背景技术

图像到图像转换是一门有效、快速地对图像进行处理和分析的技术，其将定义在原图像空间的图像以某种形式转换到另外的空间，利用空间的特有性质更方便地对图像进行一定的加工和处理，最后再转换回原图像空间以达到所需的效果。高速发展的电子设备使得图像转换的应用范围更加广泛。图像转换技术可以用于人类特征脸的识别与分类，首先提取出目标的脸部图像信息，然后将待识别的人脸投影到新的多维人脸空间，通过简单的分类手段可以完成对人脸的识别与分类。此技术可以用于众多的娱乐软件上，比如改变人脸情绪表情，可以将开心的表情转换成为生气、愤怒、哀伤等其他的表情。

目前，两个领域的图像转换技术取得显著的成功，但是，现有的方法用于处理两个以上的域时在伸缩性以及鲁棒性上存在很大的局限性。其原因在于，这些方法必须为每一对图像域建立不同的模型。另外，这些方法在多域图像转换的任务中效率不高且效果不佳。这是因为，为了学习K个域之间的所有映射关系，它们必须训练K(K-1)个生成器，所以它们效率不高；而且，每个生成器都不能充分利用整个训练数据，导致了生成图像的质量下降。此外，由于每个数据集已经是部分标注的，所以它们无法联合训练不同数据集的域。

本发明提出了一种基于统一生成对抗网络的多域图像转换技术，其过程为，首先使用一个鉴别器D去学习鉴别真假图像，并把真图像分类至其相应的域里面；接着同时把图像和目标域标签作为生成器G的输入，产生一个假图像；再接着在给定原始域标签的情况下，G尝试根据假图像来重建原始图像；然后D不断学习以区分真实图像和合成的图像，G不断学习以蒙蔽D；最后G试图生成与真图像无区别并且可以被D分类为目标域的图像。本发明使用一个模型来执行多域图像到图像的转换，提高了转换图像的质量，并具有将输入图像灵活转换成任何期望目标图像的能力。

发明内容

针对现有方法在处理两个以上的域时存在伸缩性以及鲁棒性方面的局限性，以及这些方法在多域图像转换的任务中效率不高且效果不佳的问题，本发明的目的在于提供一种基于统一生成对抗网络的多域图像转换技术，其过程为，首先使用一个鉴别器D去学习鉴别真假图像，并把真图像分类至其相应的域里面；接着同时把图像和目标域标签作为生成器G的输入，产生一个假图像；再接着在给定原始域标签的情况下，G尝试根据假图像来重建原始图像；然后D不断学习以区分真实图像和合成的图像，G不断学习以蒙蔽D；最后G试图生成与真图像无区别并且可以被D分类为目标域的图像。

为解决上述问题，本发明提供一种基于统一生成对抗网络的多域图像转换技术，其主要内容包括：

(一)训练鉴别器；

(二)原始域转换到目标域；

(三)目标域转换到原始域；

(四)蒙蔽鉴别器。

其中，所述的训练鉴别器，鉴别器可以产生在输入源和目标域标签之间的概率密度，即：D:x→{D_src(x),D_cls(x)}；为了能够从真实的图像当中鉴别出生成的图像，采用如下的对抗损失函数：