[发明专利]一种基于重构损失的图像翻译方法

权利要求书

1.一种基于重构损失的图像翻译方法，其特征在于，所述基于重构损失的图像翻译方法包括：

采用无监督的方法，使用基于生成式对抗网络的架构的循环一致性网络CycleGAN，利用循环一致性网络CycleGAN判别器提取真实数据的特征；

向采用带跳跃连接的U-net网络结构的生成器提供真实数据特征重建真实数据；

采用LSGAN损失函数，对不同域的图像进行转换，将不成对的两个域的图片相互翻译；

所述基于生成式对抗网络的架构的循环一致性网络CycleGAN包括：

生成器，采用带跳跃连接的U-net网络结构，用于将判别器提供的真实数据特征作为输入，重建真实数据；

判别器，用于提取真实数据的特征，同时区分真实图像与翻译图像，辨别图像真伪；

所述基于重构损失的图像翻译方法包括以下步骤：

步骤一，分别从图像域Ω_A、Ω_B中获取相应的样本集χ_A、χ_B；其中x_A∈χ_A和x_B∈χ_B表示数据样本；

步骤二，利用图像域Ω_B的判别器D_B提取x_B图像的特征f_B；

步骤三，将提取得到的图像特征f_B作为由Ω_A到Ω_B的生成器G_AB的输入，得到翻译图像G_AB(D_B(x_B))；同时将图像x_A输入到生成器G_AB中得到图像x_A的重构图像x′_B；

步骤四，利用判别器D_B区分图像x_B与重构图像x′_B；同时将重构图像x′_B输入到由Ω_B到Ω_A的生成器G_BA中得到重构图像x″_A，实现从图像域Ω_A到图像域Ω_B的转换；

所述基于重构损失的图像翻译方法还包括：

(1)从Ω_A数据分布中随机抽取m个样本：

(2)从Ω_B数据分布中随机抽取m个样本：

(3)通过随机梯度下降更新判别器：

(4)通过随机梯度下降更新生成器：

2.如权利要求1所述基于重构损失的图像翻译方法，其特征在于，所述生成器采用带有跳跃连接的“U-Net”网络架构；在每个i层和n-i层之间添加连接，其中n表示层的总数；即每个跳跃连接将第i层的所有通道与第n-i层的所有通道相连接。

3.如权利要求1所述基于重构损失的图像翻译方法，其特征在于，所述循环一致性网络CycleGAN目标函数包括：

对抗性损失、循环一致性损失、重构损失；

对抗性损失：

循环一致性损失：

重构损失：

总目标函数：

其中，λ₁、λ₂为不同损失相应的权重，用于平衡不同损失对整个损失函数的影响。

4.如权利要求1所述基于重构损失的图像翻译方法，其特征在于，所述LSGAN损失函数为：