[发明专利]一种基于进化式生成对抗网络的人脸图像修复模型

说明书

一种基于进化式生成对抗网络的人脸图像修复模型，分为两部分：第一部分具有匹配器的生成式对抗网络，用于对输入的人脸图像进行修复。以待修复的人脸图像与对应的掩码图像作为生成器的输入，生成器修复后的图像作为判别器与匹配器的输入，首先由判别器判别整张图像后，再由匹配器修复局部图像，实现整张图像的高清修复。第二部分神经进化，用于进化形成性能优异的生成器模型。判别器将判别结果反向传播至生成器，判别结果作为选择Heuristic变异或Minimax变异更新生成器参数的依据，当生成器每变异迭代更新T次，执行交叉操作以生成新的子代生成器个体，直至产生具有最优的图像修复性能的生成器个体。实现生成器性能的进化，实现真实合理的人脸图像修复效果。

技术领域

本发明涉及异常检测领域，特别涉及到一种基于进化式生成对抗网络的人脸图像修复模型。

背景技术

图像修复是机器视觉中的一类重要任务，该类任务旨在填充受损图像中的缺失像素，在图像处理方面存在广泛的应用。图像修复的一般过程在于根据已知图像内容修复未知图像区域，早期常用的图像修复方法是基于图像纹理的补充方法，它默认缺失部分的图像纹理存在于未缺失的背景中，通过边缘传播或将背景中可能的纹理作为补丁填充缺失部分，但是这种方法无法考虑整个图像的语义与全局结构去生成新的图像内容，因此仅适用于具有规律纹理的图像或背景中存在缺失部分纹理的图像，例如风景图像等，而无法适用于人脸图像等需要考虑图像语义的图像。

近几年，深度学习成为高效精准解决各种机器视觉任务的首选方法，它通过构建一个深层次的人工神经网络对大量学习数据的特征及规律进行逐层的发掘和表示。因此，研究学者开始探索深度学习方法对图像修复的意义，并证明了基于深度学习的图像修复方法在修复相似图像纹理的同时，从语义层面上实现了对图像的修复并有创造新的图像内容的可能性。

在深度学习模型中，CNN被广泛认为具有从图像获取高级抽象特征的能力，在图像修复任务中，CNN的结构通常以自动编码器的形式组织，通过上下采样提取与重构受损图像，但是这类基于CNN的图像修复方法，在修复边界容易产生伪影或扭曲结构，并且，在纹理修复方面可能会产生不一致的模糊纹理，导致这些问题的原因可能是CNN对图像中的长距离图像内容的相关性不敏感导致的。在生成式对抗网络中，通过判别器从全局判别修复图像，在一定程度上可以解决CNN对长距离图像内容不敏感的问题。同时，与CNN相比，通过GAN生成的修复图像更加清晰，因此可应用于高清图像修复，但是GAN在训练的过程中存在梯度消失或模型坍塌的问题，就会导致模型无法收敛。

发明内容

相对于传统的人脸图像修复技术，本发明要解决的技术问题是提供一种生物进化式的网络训练策略和基于进化式生成对抗网络的人脸图像修复模型，利用GAN网络作为整个方法主体框架，通过匹配器协助判别器对修复后的图像评判，最终可生成清晰合理的修复图像。

本发明是通过下述技术方案实现的：

一种基于进化式生成对抗网络的人脸图像修复模型，分为两个部分：

第一部分是具有匹配器的生成式对抗网络，该部分主要用于对输入的人脸图像进行修复。以待修复的人脸图像与对应的掩码图像作为生成器的输入，生成器修复后的图像作为判别器与匹配器的输入，首先由判别器判别整张图像后，再由匹配器修复局部图像，实现整张图像的高清修复。

第二部分是神经进化，该部分主要用于进化形成性能优异的生成器模型。判别器将判别结果反向传播至生成器，判别结果作为选择Heuristic变异或Minimax变异更新生成器参数的依据，当生成器每变异迭代更新T次，执行交叉操作以生成新的子代生成器个体，直至产生具有最优的图像修复性能的生成器个体。

算法原理为：利用添加匹配器的GAN模型来修复残缺的人脸图像，再通过变异、交叉的神经进化过程优化生成器模型，实现生成器性能的进化，进而实现真实合理的人脸图像修复效果。

附图说明

图1是EG-GAN结构及算法过程图。