[发明专利]基于分类对抗网的自适应图像属性编辑模型和编辑方法

权利要求书

1.基于分类对抗网的自适应图像属性编辑模型，其特征在于：

包括生成器G、分类器C和判别器D；

设源域为P_data，源图像为x_r，源标签为t_r，源属性标签为l_r；生成域为P_g，重构图像为x_rec，生成图像为x_f，评估源标签为s_r，生成标签为s_f，目标属性标签为l_f；生成器G用于接收源图像x_r和目标属性标签l_f，编辑源图像x_r的属性，并输出生成图像x_f或重构图像x_rec；生成器G包括编码器和解码器T；

编码器包括属性编码器E_a和内容编码器E_c；

属性编码器E_a用于接收源图像x_r、提取图像的属性特征l_att、输出评估的属性标签E_a(x_r)，并通过标签逼近的方法保证评估属性标签E_a(x_r)的连续性；

内容编码器E_c用于接收源图像x_r、提取图像的内容特征l_content、输出评估内容标签E_c(x_r)；

解码器T为上卷积残差网Tr-resnet，解码器T用于接收目标属性标签l_f和评估属性标签E_a(x_r)，并与评估内容特征E_c(x_r)结合构造目标图像特征l_target，输出生成图像x_f或重构图像x_rec；

分类器C为属性对抗分类器Atta-cls，用于接收源图像x_r和生成图像x_f，并按图像的属性是否可分对应输出评估源标签s_r和生成标签s_f；

判别器D用于通过生成对抗方法区分真实图像和生成图像，并训练生成器G直至生成器G输出分类器C无法分类属性、判别器D无法区分真假的图像。

2.根据权利要求1所述的基于分类对抗网的自适应图像属性编辑模型，其特征在于：还包括属性连续性模块；设源图像x_r的源属性标签为l_r，属性连续性模块用于通过属性连续性损失函数L_a使评估属性标签E_a(x_r)逼近源属性标签l_r，则L_a为：

L_a＝||l_r-E_a(x_r)||₁，

其中，评估属性标签E_a(x_r)与作为参考的源属性标签l_r为相同维数的向量，||·||₁为L₁范数。