摘要：生成对抗网络已广泛用于图像到图像的翻译任务,其中多属性变换得到了越来越多的研究和应用,目前网络架构的参数多而且模型复杂,需要较高的计算能力和存储成本;网络压缩技术如蒸馏和剪枝,主要侧重于视觉识别任务,很少实现对生成任务的压缩。本文提出了一种利用StarGAN的低级和高级特征训练参数较少的学生网络(stuStarGAN)的方法,首先采用知识蒸馏对生成器进行蒸馏,并设计学生判别器让教师判别器蒸馏学生判别器;然后在学生网络设计中采用skip-connection进行跨模块的特征融合;接着增加内容损失函数保持生成图像和原图像的内容信息的一致性;最后采用深度可分离卷积进一步降低参数量并提高图像生成质量。在CelebA和Fer2013数据集上的实验结果表明:模型能够在保证生成质量不降低的情况下,用较少参数生成多属性风格的图像,可以方便地移植到多种应用场景。

摘要：针对神经风格迁移算法结果中存在伪影、颜色丢失、轮廓模糊不清等影响整体艺术效果的问题,提出了一种基于拉普拉斯算子和颜色保留(LCR)的神经风格迁移算法。所提LCR算法使用内容损失项、风格损失项、直方图损失项以及拉普拉斯损失项构建总损失函数。由于在LCR算法中使用了直方图损失项和拉普拉斯损失项,因此,LCR算法与基于卷积神经网络的图像风格迁移(IST-CNN)算法、基于深度特征扰动(DFP)算法相比,对风格化结果图有更好的整体艺术效果。首先,通过对输入内容图像和风格图像进行去噪处理,减小了图像噪声对后续各个损失项计算的影响;其次,对内容图像和风格图像进行RGB空间到Lab空间的转换,以实现图像亮度通道L和颜色通道a、b的分离,并把内容图像的亮度信息迁移到风格图像上,从而达到内容图像颜色保留的目的;最后,在卷积神经网络(CNN)中对总损失函数进行迭代优化并输出风格化结果图。与IST-CNN和DFP算法相比,所提LCR算法的峰值信噪比(PSNR)平均分别提高了约12.418 dB和8.038 dB,结构相似性(SSIM)平均分别提高了约0.348 06和0.258 54,均方差(MSE)平均分别降低了0.653 76和0.296 00。实验结果表明,LCR算法有更好的风格化绘制整体视觉效果。

摘要：雾霾天气下拍摄收集的图像和视频能见度低,图像质量大幅下降,影响目标检测等高级计算机视觉任务检测精度。目前暗通道、DehazeNet、AOD-Net等去雾方法存在有雾残留、色差较大等问题。为解决以上问题,提出基于条件生成对抗网络(CGAN)的图像去雾方法——CGAN-dense。其生成器设计密集块结构以提高特征利用率,改善去雾细节保持效果;判别器使用34×34的PatchGAN进行分块判定,提高图像分辨率;损失函数增加内容损失,减少像素级别损失。在合成有雾数据集Hazy Dataset中,所提方法的峰值信噪比(PSNR)达到35.45 dB以上,结构相似度(SSIM)达到0.970 2以上;在Reside数据集中,PSNR达到22.25 dB以上,SSIM达到0.908 8以上,去雾后目标检测率相比去雾前提高6.96个百分点。实验结果表明,所提方法能够减少色差较大和有雾残留问题,提高了图像去雾的色彩保真性和细节信息保持度。

摘要：图像风格迁移算法主要是用于对图像的艺术处理,通过某种算法,对指定的图像内容做特定的风格转换。早在2000年就已经有很多学者进行了图像风格迁移的研究,当时的主流算法集中于使用小波变换等统计方法对图像纹理合成等问题的解决。近年来,依靠卷积神经网络(Convolutional Neural Networks,CNN)的发展,借助其强大的内容抽取能力,图像风格迁移的表现效果得到了明显提升。本文基于经典的卷积神经网络模型VGG-16对内容图像和风格图像做特征抽取,对生成图像进行迭代修改,最终得到具有指定内容和风格的目标图像。搭建算法模型,在公开的图像数据集上做了测试,得到了较为理想的模型效果。