放血刀作者:马赫 张涛 卢涵宇塑料油箱
平面涡卷弹簧
来源:《电脑知识与技术》2020年第27期
出租车计价器传感器
阴极保护防腐
摘要:随着深度学习的不断发展与应用,图像到图像的风格迁移成了计算机视觉领域的研究热点之一。该文运用Cycle-GAN网络对图像进行风格迁移,能够在无匹配的源图像和风格图像的情况下进行。使得CycleGAN网络中的生成器由编码器、转换器及解码器组成,能起到保留原始图像特征和转换图像数据的作用。该文尝试通过Inception与ResNet进行结合,并与原CycleGAN网络进行对比训练,结果表明,修改后的CycleGAN能够比CycleGAN训练后得到更加逼真的图像,具有更佳的视觉效果。 关键词:CycleGAN;图像风格迁移;转换器;ResNet模块;深度学习
节能炉
中图分类号:TP183 文献标识码:A
文章编号:1009-3044(2020)27-0018-03
开放科学(资源服务)标识码(OSID):
随着计算机技术和人工智能技术的发展,深度学习应用越来越广,其中计算机图形学与深度学习的结合,产生了许多优秀的算法,并在后来的图像风格迁移、图像分割、自然语言生成等诸多领域得到广泛应用[1-4]。
随着GAN网络的应用也产生了一系列如难以收敛、训练不稳定、模型不可控等问题,促使了大量学者对该类问题的研究,如MARTIN等[5]针对GAN网络训练不稳定的问题,提出了WGAN(Wasserstein GAN),该方法使用Earth-Mover距离代替JS散度作为判别器D的目标函数,使得训练稳定性得到有效提升。Zhu等[6]人为解决GAN网络的一些限制,提出了循环一致性对抗网络(CycleGAN)网络,该网络能够根据不成对的数据集训练出能够满足不同风格的图像的转换;随后,刘哲良等[7]针对采用CycleGAN网络进行图像风格迁移中,表现出泛化能力差等问题,提出了一种FCN-CycleGAN的图像风格迁移方法,结论证明该方的网络在稳定性法具有较好的表现能力。杜振龙等[8]针对GAN网络进行图像风格迁移中收到数据集限制的问题,对CycleGAN进行了改进,通过利用DenseNet来代替Cycle-CAN网络中的ResNet,改进、收敛速度及对减少数据集的限制等方面都有很大进步。