摘要: 自生成对抗网络提出以来，基于其强大的自生成能力，受到计算机视觉领域研究人员的广泛喜爱。现阶段生成对抗网络逐渐应用到各个领域，例如文物保护、老电影修复、医学成像、航空航天、公安刑侦等。但面对数据集较小或者图像结构复杂的较大面积缺失时... 展开 自生成对抗网络提出以来，基于其强大的自生成能力，受到计算机视觉领域研究人员的广泛喜爱。现阶段生成对抗网络逐渐应用到各个领域，例如文物保护、老电影修复、医学成像、航空航天、公安刑侦等。但面对数据集较小或者图像结构复杂的较大面积缺失时，修复结果的边界伪影、图像真实性仍需进一步解决。基于上述问题，本文从判别网络和生成网络两个角度对生成对抗网络进行改进。对数据量较小的人脸数据集进行修复，通过不同修复方法的修复结果与各个模块对修复效果的影响进行分析，主要工作如下： 1.从判别网络出发，提出改进的多尺度判别网络模型。生成网络使用U-Net网络结构，引入扩张卷积获取更大感受野的特征信息进行拼接，并传递给解码器的相同尺寸位置。判别网络中增加一个多尺度判别器，旨在从更高分辨率的角度获得更加真实的图像特征，原来的判别器对与真实图像尺寸相同的生成图像进行判别，保证结果的上下文一致性，增强模型的生成能力。使用对抗损失、MSE损失、TV损失的联合损失进行训练，且每个损失均由多尺度损失和全局损失两部分组成。实验通过对比不同方法的修复结果证明网络的优越性，并且分析多尺度模型与扩张卷积对网络的影响。结果表明，所提模型能够在缩短模型训练周期的基础上获得较为真实的生成结果。 2.从生成网络出发，提出结合SENet的密集卷积生成对抗网络图像修复方法。首先，采用生成对抗网络的思想，生成器使用密集卷积块捕捉图像中缺失部分的语义信息再利用；其次，取消密集卷积块之间的过渡层，引入SENet注意力机制SE模块，获取特征重要程度，增强特征信息指导能力；再次，在编码器和解码器之间使用跳跃连接，减少下采样而造成的信息损失；最后，通过引入对抗损失、MSE损失、TV损失增强网络的稳定性。判别网络使用DCGAN网络。实验通过对比不同方法的修复结果证明网络的优越性，并且分析密集卷积块与SE模块对网络的影响。结果表明，所提算法的修复结果在图像语义、峰值信噪比和结构相似度三个方面均具有不错成效。 收起