[发明专利]一种基于生成对抗网络的目标域导向的无监督图像转换方法

摘要

本发明提供一种基于生成对抗网络的目标域导向的无监督图像转换方法，属于计算机视觉领域。本发明用来实现无监督的跨领域图像到图像的转换任务，属于计算机视觉领域。本方法设计了一个自编码重构网络，通过最小化源域图像的重构损失来提取源域图像的分层表征。同时，通过权值共享策略，共享网络模型中的两组生成对抗网络中编码和解码高层语义信息的网络层的权值，以保证输出图像能够保留输入图像的基本结构和特征。然后，两个判别器分别用来区分输入图像是各自领域的真实图像还是生成的图像。本方法能够有效进行无监督的跨域图像转换，生成高质量的图像。实验证明所提方法在CelebA等标准数据集上取得了很好的结果。

主权项

1.一种基于生成对抗网络的目标域导向的无监督图像转换方法，其特征在于，包括如下步骤：步骤一图像的预处理：从真实的源域数据分布p_data(x)中采样得到真实的源域图像x，从真实的目标域数据分布p_data(y)中采样得到真实的目标域图像y，对真实的源域图像x和真实的目标域图像y进行统一的处理，把它们缩放为统一的像素大小，同时对图像像素值进行归一化处理；步骤二生成图像：将归一化处理好的真实的源域图像x分别输入到两个生成器中，两个生成器为自编码重构网络G_r和转换网络G_t；其中，G_r通过重构输入的真实的源域图像x，来获得源域图像的分层表征；G_t则将输入的真实的源域图像x转换为目标域的图像；通过共享G_r与G_t中与高层语义信息相关的层级的参数，以保证源域图像和目标域图像的语义信息一致；其中，p_data(x)表示真实的源域数据分布，x表示真实的源域图像，G_r表示重构网络，G_t表示转换网络，D_r与D_t表示相应的判别器，L(G_r)表示G_r的生成对抗损失，L_re(G_r)表示重构损失，L(G_t)表示G_t的生成对抗损失；步骤三判别图像：G_r与G_t生成的图像被分别输入到两个判别器D_r与D_t中进行判别；D_r判别输入图像是真实的源域图像x还是G_r重构后的图像G_r(x)，而D_t则区分输入的图像是真实的目标域图像y还是G_t转换后的图像G_t(x)；其中，L(D_r)表示D_r的生成对抗损失，L(D_t)表示D_t的生成对抗损失；步骤四网络优化参数调整：通过联合损失函数，采用Adam优化算法进行模型训练，更新生成器和判别器的网络参数；其中，L(G_r,G_t,D_r,D_t)表示联合损失函数，λ为超参数；步骤五重复T次步骤二至步骤四；步骤六在测试阶段，将真实的源域图像x直接输入到G_t中，经过G_t的转换后，输出结果G_t(x)。