[发明专利]一种基于生成对抗网络的灰度图片彩色化方法

摘要

一种基于生成对抗网络的灰度图片彩色化方法，结合DiscoGAN、Progressive Growing GAN、Wasserstein GAN和CGAN生成对抗网络，包括步骤如下：首先要收集和整理图片样本，并将样本分成两组，一组是N张灰度图片，另一组是N张彩色图片。然后，对本生成对抗网络的架构进行设计以期训练后的网络可以生成高分辨率、高质量图片。接着，将样本传入生成对抗网络开始训练，待生成对抗网络训练稳定后，使用PGGAN对生成图像的分辨率进行提升。在本网络中加入WGAN‑PG可以对原生成对抗网络进行改进，解决梯度不稳定和模式崩溃问题，并改善生成对抗网络优化的过程。最后，本网络中加入了CGAN的描述限制功能，它可以根据描述条件生成具有指定风格的图片。

主权项

1.一种基于生成对抗网络的灰度图片彩色化方法，其特征在于：该灰度图片彩色化方法包括如下步骤：(1.1)收集样本图片，并制作两个样本集，第一个样本集中存放了N张灰度图片，第二个样本集中存放了N张彩色图片；(1.2)借助Pytorch深度学习库建立改进的生成对抗网络的架构：基于跨域生成对抗网络架构建立生成对抗网络，并将Wasserstein生成对抗网络、渐进生成对抗网络、条件生成对抗网络的特性加入到跨域生成对抗网络中，形成改进的生成对抗网络；(1.3)选择适当的损失函数用于计算重建损失、生成损失和判别损失，并选择适当的优化函数用于在反向传播过程中更新生成对抗网络的参数；(1.4)使用标准高斯分布对整个生成对抗网络的参数进行初始化；(1.5)训练生成对抗网络：首先固定生成器参数不变，训练判别器，其步骤如下：(1.5.1)从灰度图片样本集中随机取m个样本{x1，x2，……，xm}，标记为X；从彩色图片样本集中随机取m个样本{z1，z2，……，zm}，标记为Z；(1.5.2)将标记为X的样本集中的样本xi作为输入传给生成器，生成一组新的、伪造的样本{y1，y2，……，ym}，标记为Y；(1.5.3)将标记为Y的样本集中的样本yi和标记为Z的样本集中的样本zi分别传入判别器，通过实际输出与目标输出计算出生成对抗网络的判别网络的判别损失L，反向传播这个判别损失并且更新判别器参数θd，更新过程用公式表示为：θd←θd+η▽V(θd)其中D表示判别器，η表示超参数中的学习率，▽V(θd)表示判别器参数的梯度；(1.5.4)将步骤1.5.3计算出的判别损失与预设阈值进行比较，如果大于预设阈值则重复步骤1.5.1‑1.5.3这个过程，否则视为当前阶段判别器训练完成，然后固定判别器参数不变，训练生成器，其步骤如下：(1.5.5)从灰度图片样本集中随机取m个样本，{x1，x2，……，xm}，标记为X；(1.5.6)将标记为X的样本集中的样本xi作为输入传给生成器，生成一组新的、伪造的样本{y1，y2，……，ym}，标记为Y；(1.5.7)将标记为Y的样本集中的样本yi传入判别器，用实际输出与目标输出计算出网络的生成损失，然后反向传播这个损失并且更新生成器参数θg，更新过程用公式表示为：θg←θg‑η▽V(θg)其中D表示判别器，G表示生成器，η表示超参数中的学习率，▽V(θg)表示生成器参数的梯度。