[发明专利]一种基于生成对抗网络的图像生成方法

权利要求书

1.一种基于生成对抗网络的图像生成方法，其特征在于，将成对数据模块和不成对数据模块结合起来生成图像，包括以下步骤：

步骤1、把成对数据模块中的合成数据既输入到成对数据模块的生成器以训练出成对数据模块的生成数据，又输入到不成对数据模块的生成器以训练出不成对数据模块的生成数据；

步骤2、把不成对数据模块的生成数据和非平衡的真实数据进行混合，形成混合数据；

步骤3、把所述的混合数据输入到成对数据模块的判别器，并把所述成对数据模块的生成数据也输入到成对数据模块中的判别器；

步骤4、所述成对数据模块的判别器判断出输入的混合数据和成对数据模块的生成数据是真实数据还是虚假数据，并把是真实数据还是虚假数据的判断结果反馈到成对数据模块的生成器。

2.根据权利要求1所述的基于生成对抗网络的图像生成方法，其特征在于，所述的将成对数据模块和不成对数据模块结合起来是把生成对抗网络损失和特征匹配损失结合起来，把生成对抗网络损失和特征匹配损失结合起来的目标函数的计算公式为：

其中，λ表示控制和的重要性，X是与真实数据配对的合成数据，是与真实数据未配对的合成数据，Y是真实数据，G_p是成对数据模块的生成器，D_p是成对数据模块的判别器，G_u是不成对数据模块的生成器，是生成对抗网络的损失函数，使用的是最小二乘损失，是特征匹配损失。

3.根据权利要求1所述的基于生成对抗网络的图像生成方法，其特征在于，在步骤1中，所述训练出不成对数据模块的生成数据，是通过在CycleGAN的基础上附加梯度惩罚方法以形成WCycleGAN-GP来实现，所述WCycleGAN-GP具体为以下公式：

其中，为循环一致性损失，x为与真实数据配对的合成数据，y为真实数据，为合成数据的数据分布，为真实数据的数据分布，生成器G_x学习x到y的映射，生成器G_y学习y到x的映射，为x符合合成数据分布的函数，为y符合真实数据分布的函数，λ₁表示控制的相对重要性，λ₂表示控制的相对重要性，|| ||₁表示求L1范数。

4.根据权利要求1至3任一项所述的基于生成对抗网络的图像生成方法，其特征在于，所述不成对数据模块具有判别器，所述不成对数据模块的判别器的损失函数为：

其中，x为与真实数据配对的合成数据，y是真实数据，为最小化D_x函数，为最小化D_y函数，D_x为判别y是否为真实数据，D_y为判别x是否为真实数据，生成器G_x学习x到y的映射，生成器G_y学习y到x的映射，λ表示控制和的重要，表示对t求梯度，|| ||₂表示求L2范数，表示x符合合成数据分布的函数，表示y符合真实数据分布的函数，表示符合分布的函数，表示符合分布的函数，t₁的计算过程：首先，采样合成数据和真实数据然后，∈～U[0，1]，得到一个随机数，通过t₁＝∈y+(1-∈)x，计算出t₁，并且，t₁的分布满足于t₂的计算过程：首先，采样真实数据和合成数据然后，∈～U[0，1]，得到一个随机数，通过t₂＝∈x+(1-∈)y，计算出t₂，并且，t₂的分布满足于