基于生成对抗网络的异质人脸图像转换

发布时间：2022-09-24 22:01

　　异质人脸图像的转换指将人脸图像从一类视觉域,经过合成算法转换到另一类视觉域。随着计算机视觉和深度学习算法的不断发展,异质人脸图像转换在公安安防系统、智能美妆、社交娱乐、图片编辑等领域得到了越来越广泛的应用。鉴于深度学习在计算机图像处理领域的优势和发展,本文在异质人脸图像转换的两个应用方向上分别提出了两种基于生成对抗网络的转换方法。本文工作的主要内容如下:1.人脸素描图像与真实人脸图像的转换与识别在执法机构和数字娱乐行业中起着至关重要的作用。由于在网络训练阶段缺乏配对的人脸图片数据,加上素描与真实照片之间存在着明显的模态差异,目前人脸素描图像到真实人脸图像的转换任务仍然存在着不可解决的局限性。本文提出了一个改进的结合非监督学习的生成对抗网络框架,将素描人脸图像转化为真实人脸图像,与目前无监督学习方式下的图像到图像的转换方法相比,本文的框架利用了额外的跨域语义一致性损失函数使得输入图片的语义信息能保持在输出图片中,并将像素级的循环一致性损失函数替换为感知损失函数以生成质量更高分辨率更清晰的图像。本文结合了由PGGAN提出的生成器的镜像架构,并让它与生成对抗网络的损失函数一起训练,得到真实人... 

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 课题研究背景和意义
    1.2 国内外的研究现状
        1.2.1 基于特征表达的传统合成方法
        1.2.2 基于卷积神经网络的合成方法
    1.3 本文的主要内容和结构安排
        1.3.1 本文的主要研究内容
        1.3.2 本文的结构安排
第二章 相关理论和技术介绍
    2.1 引言
    2.2 卷积神经网络
        2.2.1 神经元和多层神经网络
        2.2.2 数据预处理和批归一化
        2.2.3 卷积层
        2.2.4 激活函数
        2.2.5 池化层和全连接层
        2.2.6 反向传播算法
    2.3 本章小结
第三章 基于生成对抗网络的人脸素描图像真实化
    3.1 引言
    3.2 理论和方法
        3.2.1 生成对抗网络
        3.2.2 基于监督和无监督学习的异质图像转换
        3.2.3 共享潜空间(shared-latent space)假设
        3.2.4 U型网络(U-net)和编码器
        3.2.5 权值共享和批再归一化
        3.2.6 训练损失函数
    3.3 实验方案和结果分析
        3.3.1 数据集
        3.3.2 实验设置
        3.3.3 评价标准
        3.3.4 实验结果评估
    3.4 本章小结
第四章 结合注意力机制的人脸图像动漫风格转换
    4.1 引言
    4.2 理论和方法
        4.2.1 注意力机制
        4.2.2 图像的动漫风格迁移
        4.2.3 训练损失函数
    4.3 实验方案和结果分析
        4.3.1 数据集
        4.3.2 实验设置
        4.3.3 实验结果评估
    4.4 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
攻读硕士学位期间的学术活动及成果情况


【参考文献】：
期刊论文
[1]分块LBP的素描人脸识别[J]. 周汐,曹林.  中国图象图形学报. 2015(01)



本文编号：3680943