[發明專利]一種基于漸進式增長條件生成對抗網絡的圖像生成方法

在審

• 申請號: 202211044163.0
• 申請日: 2022-08-30
• 公開（公告）號: CN115439323A
• 公開（公告）日: 2022-12-06
• 發明（設計）人: 王瑞琴;馬輝;楊帥
• 申請（專利權）人: 湖州師范學院
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06V10/764;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 杭州中利知識產權代理事務所(普通合伙) 33301
• 代理人: 韓洪

1.一種基于漸進式增長條件生成對抗網絡的圖像生成方法，其特征在于：該方法的實現基于PGGAN模型，所述PGGAN模型的網絡結構包括生成器G和判別器D，該方法具體包括以下步驟：

S1.噪聲和類別標簽被傳入生成器G的初始模塊中生成低像素圖像的特征，然后經過特征轉圖片模塊轉為圖像輸出；

S2.判別器D接收真圖像和假圖像，傳入圖片轉特征模塊變為特征信息，再傳入結果模塊中經過改進的小批量標準差方法層增加生成圖像的多樣性，將得到的特征一部分用于判斷圖像的真假，一部分用于判斷圖像的類別；

S3.在生成器G的特征轉圖片模塊之前和判別器D的圖片轉特征模塊之后不斷的插入新模塊，以生成更高像素的圖像并提取圖像特征，最終生成器G生成所需要的高分辨率的圖像。

2.如權利要求1所述的一種基于漸進式增長條件生成對抗網絡的圖像生成方法，其特征在于：步驟S2中，采用將類別標簽放入目標函數中，通過目標函數的約束使判別器D學會判斷類別；生成器G生成圖像X_fake＝G(z,c)，其中z為噪音，c為類別，X為圖像；判別器D給出判斷圖像真假的概率分布P(S|X)和判斷圖像類別的概率分布P(C|X)＝D(X)，其中S為真假判斷結果，C為類別判斷結果；所述目標函數包括兩部分：判斷圖像真假的L_S和判斷圖像類別的L_C，公式如下：

L_S＝E[logP(S＝real|X_real)]+E[logP(S＝fake|X_fake)]

L_C＝E[logP(C＝c|X_real)]+E[logP(C＝c|X_fake)]

其中，X_real為真實圖像，X_fake為生成圖像，E為期望；在訓練判別器D時需要最大化L_C+L_S，在訓練生成器G時需要最大化L_C-L_S。

3.如權利要求2所述的一種基于漸進式增長條件生成對抗網絡的圖像生成方法，其特征在于：在計算目標函數時，將判別器D的最后一層分為兩個部分，分別用于計算目標函數L_S和L_C。

4.如權利要求1所述的一種基于漸進式增長條件生成對抗網絡的圖像生成方法，其特征在于：步驟S2中，改進的小批量標準差方法層增加生成圖像的多樣性的具體方法為：在一組樣本中，首先利用類別標簽將每一批次的樣本分為k個類別，再對每個類別中每個特征空間中的點求標準差，然后對k個類別中的每個標準差分別求平均值，得到一個批次中每個類別的多樣性度量y∈[y₁,y₂,…,y_k]，最后將一批樣本中每個樣本自身x_i和與其對應類別中的多樣性度量y_i進行拼接形成新的矩陣，傳入下一層網絡進行訓練。

5.如權利要求1所述的一種基于漸進式增長條件生成對抗網絡的圖像生成方法，其特征在于：步驟S3中，所述生成器G使用插入模塊中的上采樣加卷積操作的方式來放大圖像，并通過像素歸一化和LeakReLU激活函數的方式來保持放大后圖像的質量，且重復一次；再在保持模型訓練穩定后不斷的插入此模塊來不斷放大圖像。

6.如權利要求1所述的一種基于漸進式增長條件生成對抗網絡的圖像生成方法，其特征在于：在每個卷積層之后使用像素歸一化對模型的參數權重進行處理，像素歸一化使得計算過程沒有參數，其公式如下：

其中，N表示特征矩陣的個數，a_x,y表示在像素(x,y)的位置上對應的原始特征向量，b_x,y表示像素歸一化后的特征向量。