基于多尺度条件生成对抗网络（MSR-cGAN）的高分辨率遥感图像目标区域检测

针对目前深度卷积神经网络（Convolutional Neural Network,CNN）在遥感图像建筑物提取上存在小目标漏分、被遮挡目标无法提取、细节缺失等问题,在生成对抗网络（Generative Adversarial Network,GAN）的基础上提出一种基于多尺度条件生成对抗网络（Multi-Scale Conditional Generative Adversarial Network,MSR-cGAN）的城市建筑物提取方法.该方法包括生成网络和对抗网络两个部分,在生成网络中加入循环残差卷积模块和注意力门限跳跃连接机制,增强模型的特征提取能力;在对抗网络中引入通道注意力的特征融合,使网络提取丰富的上下文信息,应对目标尺度变化,改善小目标分割效果.在实验过程中,对Inria Aerial Image Labeling建筑物提取数据集进行实验并与多种方法进行比较,结果表明,所提出的方法具有更高的目标分割准确率,对小目标与被遮挡目标取得了较好的分割效果.在训练数据有限、背景复杂多样、尺度变化较大的建筑物提取中分割准确率分别达到96.18%,表明提出的方法可应用于复杂的高分辨率...     

基于生成对抗网络的面部修复

如何更好地对受损的面部图像实施相应的修复,根据此问题指出了一类基于生成对抗网络改良以后的面部修复算法.首先,在生成模型中把编码器和解码器的中间层的全连接换成逐信道全连接,在编码和解码阶段使用卷积操作代替池化操作,针对损失函数采用的激活函数进行改进,增加tanh函数,提高图像补全效果.然后,在保证功能上不受损并且输入、输出尺寸保持原状的条件下对判别器的模型进行了相应的改良,最后,对损失函数引进TV损失、重建损失这二者来实现对生成网络的优化处理,由此提升细节图像方面的修复实力.通过实验表明,使用该方法修复后的面部图像,比先前的方法更清晰更连贯.     

结构门控与纹理联合引导的生成对抗壁画修复

现有深度学习修复方法修复壁画时，受结构和纹理影响较大，修复结果易出现结构紊乱和纹理模糊等问题.针对这些问题，提出了一种结构门控融合与纹理联合引导的生成对抗壁画修复模型.首先，构建由结构引导编码子网络和纹理引导解码子网络构成的生成网络，利用结构信息引导编码，并通过门控特征增强边缘轮廓信息.然后，设计纹理引导器和方向注意力模块提取分层纹理特征，引导解码器重构修复，提高壁画的纹理一致性.最后，采用跳跃连接促进结构和纹理的特征互补，并利用谱归一化马尔科夫判别模型对抗完成壁画修复.对真实敦煌壁画数字化修复实验的结果表明：所提方法主客观评价均优于比较算法，修复结果更加清晰、自然.     

基于循环生成对抗网络的人脸素描合成网络设计

针对目前人脸到素描合成存在生成的素描图轮廓模糊、细节纹理缺失等问题,提出一种采用循环生成对抗网络(CycleGAN:Cycle-Generative Adversarial Networks)解决方案。构建多尺度CycleGAN,生成器采用深度监督的U-Net++结构为基础,在其解码器端进行下采样密集跳跃连接;在其生成器的编码器端设计通道注意力和和空间注意力机制形成特征增强模块;最后在生成器中增加像素注意力模块。实验结果表明,与现有经典算法相比,从主观视觉评测和利用现有的4种图像质量评价算法进行质量评估,该方法较好地合成了素描图像的几何边缘和面部细节信息,提高了素描图像的质量。     

基于U-net边缘生成和超图卷积的两阶段修复算法

为了有效修复背景复杂、大面积不规则缺失区域，得到合理的结构和精细的纹理，提出了基于U-net边缘生成和超图卷积的两阶段修复算法.首先，将缺失图像输入基于U-net门控卷积的粗修复网络，通过跳跃连接将图像的上下文信息向深层传播，获取丰富的图像细节信息，下采样提取缺失区域边缘特征，上采样还原缺失区域边缘细节，同时使用混合空洞卷积增大信息感受野，获取细节纹理信息.然后，将粗修复结果输入含超图卷积的细修复网络，捕获和学习输入图像中的超图结构，使用空间特征的互相关矩阵捕获空间特征结构，改善结构完整性并提升细节细粒度.最后，将细修复结果输入鉴别器进行判别优化，进一步优化修复结果.在国际公认数据集上进行实验仿真，结果显示：本文提出的算法在修复大面积不规则缺失时，可以生成合理的结构和丰富的纹理细节，修复的视觉效果，PSNR,SSIM和L1损失优于对比算法.     

基于动态生成对抗网络的路网缺失交通数据修复

针对智能交通系统数据采集过程中发生的数据缺失问题,本文提出一种基于动态生成对抗网络(dynamic generative adversarial network, D-GAN)的路网交通数据修复方法。该方法首先依据交通数据的时空特性与设定的缺失类型和缺失比例来构造各种缺失交通数据矩阵,然后基于博弈思想迭代训练由2个全连接神经网络构成的生成对抗网络。引入一种新颖的动态自适应机制,研究能在模型计算过程中自动识别生成器与判别器的最佳迭代次数,最终生成完整的交通数据矩阵并修复缺失值。采用加州PeMS和广州交通速度数据集来完成D-GAN模型的构建,并使用多种评价指标评估D-GAN的修复性能。实验结果表明：相对于非随机缺失模式,D-GAN对随机缺失模式的修复精度更高;随着缺失率增加,D-GAN的修复精度加速下降。但在各种缺失条件下,D-GAN模型的修复性能要优于现有模型(例如BGCP、prophet-RF和GAIN)。     

基于隐变量后验生成对抗网络的不平衡学习

针对现有不平衡分类问题中过采样方法不能充分利用数据概率密度分布的问题,提出了一种基于隐变量后验生成对抗网络的过采样(LGOS)算法.该方法利用变分自编码求取隐变量的近似后验分布,生成器能有效估计数据真实概率分布,在隐空间中采样克服了生成对抗网络采样过程的随机性,并引入边缘分布自适应损失和条件分布自适应损失提升生成数据质...     

基于生成对抗网络的渐进式夜视图像彩色化算法

受限于夜景光照不足等影响,夜视成像中的部分内容极易缺失或模糊,导致这部分的彩色化效果不佳.为此,本文提出了一种基于生成对抗网络的夜视图像彩色化算法, 通过对纹理细节的修复来提升图像模糊区域的彩色化效果.首先,在模糊区域修复中,利用下采样操作减少模糊图像块的比例,并用梯度调节预测器对模糊图像块周围的像素值进行预测,以此来不断增强和修复模糊的纹理细节.其次,在彩色化过程中,依托于生成的超分辨率图像和已有的先进对抗网络着色模型,通过最小化亮度和纹理等失真,来生成较为清晰的彩色图像.实验结果表明,经过模糊区域恢复和增强之后,灰度图像的PSNR平均提升0.33 dB.相比之前的夜视图像彩色化方法,本文方法可以赋予灰度夜视图像更丰富、自然的色调,更清楚地表达图像的细节,从而提高目标探测和识别效率.     

基于级联注意力与密集特征融合的图像修复算法

针对图像修复算法存在的语义不连贯、纹理不清晰等问题，提出一种基于生成对抗网络的新型级联密集生成网络CDGAN(Cascade Densely Generative Adversarial Network),采用encoder-decoder作为生成器主干，利用下采样提取图像特征；为使网络关注修复图像的高频纹理和颜色保真度等有效信息，引入级联的注意力模块，并加入密集特征融合模块扩大网络的整体感受野，充分学习图像特征，提高编码器提取特征的利用率，最后将处理后的图像特征进行上采样重建。在Celeb A和Places2数据集的测试结果表明，CDGAN在语义连贯性、纹理清晰度等方面都有所提升。     

基于特征优化生成对抗网络的在线交易反欺诈方法研究

为了降低在线交易欺诈数据的不平衡性对欺诈检测效果的影响,提出了一种基于特征优化生成对抗网络的在线交易反欺诈方法。该方法建立了WGAN网络包括生成模型和判别模型,对数据进行Key特征选取,在数据生成过程中进行Gumbel-softmax技巧采样输出,优化生成数据质量和提高训练稳定性;交替训练判别模型和生成模型直至模型收敛;接着将收敛的生成模型作为样本生成器生成少数类样本对原始数据进行平衡处理;利用平衡处理后的数据训练分类模型并进行模型评估。通过实验证明,该方法生成数据的效果优于SMOTE及其变种方法。