-
题名基于改进循环生成式对抗网络的图像风格迁移
被引量：12
- 1
-
-
作者
张惊雷
厚雅伟
-
机构
天津理工大学电气电子工程学院
天津市复杂系统控制理论及应用重点实验室
-
出处
《电子与信息学报》
EI
CSCD
北大核心
2020年第5期1216-1222,共7页
-
文摘
图像间的风格迁移是一类将图片在不同领域进行转换的方法。随着生成式对抗网络在深度学习中的快速发展,其在图像风格迁移领域中的应用被日益关注。但经典算法存在配对训练数据较难获取,生成图片效果差的缺点。该文提出一种改进循环生成式对抗网络(CycleGAN++),取消了环形网络,并在图像生成阶段将目标域与源域的先验信息与相应图片进行纵深级联;优化了损失函数,采用分类损失代替循环一致损失,实现了不依赖训练数据映射的图像风格迁移。采用CelebA和Cityscapes数据集进行实验评测,结果表明在亚马逊劳务平台感知研究(AMT perceptual studies)与全卷积网络得分(FCN score)两个经典测试指标中,该文算法比CycleGAN,IcGAN, CoGAN, DIAT等经典算法取得了更高的精度。
-
关键词
图像风格迁移
深度学习
生成式对抗网络
损失函数
-
Keywords
Image-to-image translation
Deep learning
Generative Adversarial Network(GAN)
Loss function
-
分类号
TN911.73
[电子电信—通信与信息系统]
TP317
[电子电信—信息与通信工程]
-
