[發明專利]一種基于生成對抗網絡模型的圖像補全方法

在審

• 申請號: 201811041268.4
• 申請日: 2018-09-07
• 公開（公告）號: CN109360159A
• 公開（公告）日: 2019-02-19
• 發明（設計）人: 周智恒;李立軍
• 申請（專利權）人: 華南理工大學
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李斌

本發明公開了一種基于生成對抗網絡模型的圖像補全方法，屬于深度學習神經網絡領域，包括以下步驟：S1、構造原始生成對抗網絡模型；S2、構造深度卷積神經網絡作為生成器與判別器；S3、去除數據集圖像中的部分像素，輸入生成器中；S4、在生成器中運用卷積神經網絡對圖像進行補全；S5、將補全之后的圖像與數據集圖像輸入判別器中判別，更新損失函數。本方法構建的基于圖像補全的生成對抗網絡模型，改變了生成器接收的信息，從噪聲改成了去除部分像素的圖像，通過生成器與判別器的對抗訓練，使生成器能自動補全缺失的部分像素。

技術領域

本發明涉及深度學習神經網絡技術領域，具體涉及一種基于生成對抗網絡模型的圖像補全方法。

背景技術

生成式對抗網絡(Generative Adversarial Network,簡稱GAN)是由Goodfellow在2014年提出的深度學習框架，它基于“博奕論”的思想，構造生成器(generator)和判別器(discriminator)兩種模型，前者通過輸入(0，1)的均勻噪聲或高斯隨機噪聲生成圖像，后者對輸入的圖像進行判別，確定是來自數據集的圖像還是由生成器產生的圖像。

在傳統的對抗網絡模型中，判別器接收的是隨機噪聲，通過不斷地學習數據集中的分布，將隨機噪聲生成滿足數據集分布的圖像。在這種情況下，整個網絡的訓練速度較慢，并且沒有自動補全圖像的功能。

發明內容

本發明的目的是為了解決現有技術中的上述缺陷，構建了一種基于生成對抗網絡模型的圖像補全方法。

本發明的目的可以通過采取如下技術方案達到：

一種基于生成對抗網絡模型的圖像補全方法，所述的圖像補全方法包括下列步驟：

S1、構造原始生成對抗網絡模型，生成器通過生成圖像輸入至判別器進行網絡訓練；

S2、構造深度卷積神經網絡作為生成器與判別器；

在原始的生成對抗網絡模型中，充當生成器與判別器功能的模型較為簡單，而在本發明中，采用深度卷積神經網絡作為生成器與判別器，能夠以更高的效率學習到數據集中圖像的特征。

S3、去除數據集圖像中的部分像素，輸入生成器中；

S4、在生成器中運用卷積神經網絡對圖像進行補全；

S5、將補全之后的圖像與數據集圖像輸入判別器中判別，更新損失函數。

進一步地，所述的步驟S2中構造的神經網絡包含多個卷積核，其中卷積核的個數根據數據集圖像特征的復雜程度設置。

進一步地，所述的步驟S4中在生成器中運用卷積神經網絡對圖像進行補全，具體過程如下：

S41、利用卷積神經網絡充當生成器、判別器；

S42、利用卷積將輸入圖像缺失的像素進行補全。

進一步地，所述的步驟S5中，將補全之后的圖像與數據集圖像輸入判別器中判別，更新損失函數。

其中，所述的損失函數的表達式為：

其中，D(x)表示判別器對圖像的判別，pr表示數據集圖像的分布，pg表示生成圖像的分布，λ為超參數，為梯度。

本發明相對于現有技術具有如下的優點及效果：

高效性：本發明根據圖像補全的操作過程，將去除部分像素的圖片輸入至生成器中，通過卷積神經網絡充當生成器與判別器的功能，通過對抗訓練與更新損失函數，實現了生成器自動補全圖像的效果。

附圖說明

圖1是生成對抗網絡通過圖像補全進行訓練的整體流程圖。