基于生成对抗网络的多视角人脸生成及辅助识别

发布时间：2025-03-19 02:22

　　深度学习技术具有强大的学习能力,但基于深度学习的方法需要学习很多模型参数,为了避免模型过拟合通常需要大量的训练样本,而这一要求在当前的人脸数据库中难以得到满足,导致与人脸问题相关的计算模型的准确率很难得到进一步提升,因此越来越多的研究者试图通过生成模型对人脸数据集进行增广,尤其是针对跨年龄、多视角人脸数据集的增广。现有的多视角人脸图像生成方法存在以下问题:(1)在训练模型时需要使用成对图像,即同一人脸多个视角的图像;(2)基于监督学习,需要大量人脸图像的视角标签,甚至需要对鼻子、眼睛、嘴巴等器官进行标注。然而,大规模成对人脸图像难以获取,且标注这些数据需要庞大的人力成本。因此,研究基于非成对图像的半监督式多视角人脸生成方法,具有重大的现实意义和应用价值。针对现有多视角人脸图像生成方法存在的问题,本文提出一种基于生成对抗网络的方法。首先,为了避免使用成对数据,通过训练编码器和判别器,使编码器学习到输入图像的身份和视角的高级抽象特征,然后将这些低维数据输入生成器,通过训练生成器和判别器,使生成器重建出逼真的人脸图像。在测试时将多个代表视角的独热编码分别强加给身份表示,利用生成器将它们分别映射...

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

图２．１生成对抗网络结构示意图??

的计算花销就能得到可解释的特征。??２．１．１核心思想??生成对抗网络由Ｇｏｏｄｆｅｌｌｏｗ于２０１４年提出，并在近年来得到快速发展。??ＧＡＮ通过训练两个相互竞争和合作的神经网络来达到无监督学习的目的，可以??生成图像、语言等多种数据。ＧＡＮ模型中包含的两个神经网络为生成器??....

图２．２生成对抗网络训练过程示意图??

?第２章本文相关理论???Ｚ）（Ｇ（ｚ））尽可能大，这时Ｋ（￡＞，?Ｇ）会变校判别器￡）的能力越强，／）〇：）越大，Ｚ）（Ｇ（Ｘ））??越小，这时会变大。??２．１．３训练方法??图２．２展示了生成对抗网络的训练过程。通过交替训练生成器Ｇ和判别器??使生成分布逐渐接近真实分布。使....

图２．３条件生成对抗网络结构示意图??

?第２章本文相关理论???从随机噪声中产生图像，因此无法控制输出图像。文献［６０］提出一种带有约束的??条件生成对抗网络（Ｃｏｎｄｉｔｉｏｎａｌ?Ｇｅｎｅｒａｔｉｖｅ?Ａｄｖｅｒｓａｒｉａｌ?Ｎｅｔｓ，?ＣＧＡＮ），通过在生成??网络和判别网络中加入额外的条件变量，利用额外信息对....

图２．４自编码器网络结构??ｎ

?第２章本文相关理论???换将输入压缩成潜空间表征，解码器通过最小化重建误差，重构来自潜在空间表??征的输入。??麵??图２．４自编码器网络结构??假设输入空间Ｘ?ｅ?，特征空间ｚ?ｅ?Ｋｎ，对于输入数据Ｘｋ?ｅ??Ｘ，编码器通过非线性函数ｐｉ各其映射到特征空间ｚ１；ｚ２，ｚ３ｚ....

本文编号：4036545