收藏本站
收藏 | 投稿 | 手机打开
二维码
手机客户端打开本文

结合全卷积网络与CycleGAN的图像实例风格迁移

刘哲良  朱玮  袁梓洋  
【摘要】:目的传统的图像风格迁移主要在两个配对的图像间进行。循环一致性对抗网络(Cycle GAN)首次将生成对抗网络应用于图像风格迁移,实现无配对图像之间的风格迁移,取得了一定的效果,但泛化能力较弱,当训练图像与测试图像之间差距较大时,迁移效果不佳。针对上述问题,本文提出了一种结合全卷积网络(FCN)与Cycle GAN的图像风格迁移方法,使得图像能够实现特定目标之间的实例风格迁移。同时验证了训练数据集并非是造成Cycle GAN风格迁移效果不佳的因素。方法首先结合全卷积网络对图像进行语义分割,确定风格迁移的目标,然后将风格迁移后的图像与目标进行匹配,确定迁移对象实现局部风格迁移。为验证Cycle GAN在训练图像和测试图像差距较大时风格转移效果不佳并非因缺少相应训练集,制作了训练数据集并带入原网络训练。结果实验表明结合了全卷积网络与Cycle GAN的图像风格迁移方法增加了识别能力,能够做到图像局部风格迁移而保持其余元素的完整性,相对于Cycle GAN,该方法能够有效抑制目标之外区域的风格迁移,实验中所用4张图片平均只有4. 03%的背景像素点发生了改变,实例迁移效果得到很好提升。而将自制训练集带入原网络训练后,依然不能准确地在目标对象之间进行风格迁移。结论结合了全卷积网络与CycleGAN的方法能够实现图像的局部风格迁移而保持目标对象之外元素不发生改变,而改变训练数据集对CycleGAN进行实例风格迁移准确性的影响并不大。

知网文化
【相似文献】
中国期刊全文数据库 前12条
1 刘哲良;朱玮;袁梓洋;;结合全卷积网络与CycleGAN的图像实例风格迁移[J];中国图象图形学报;2019年08期
2 翁子欣;张凯;罗培铖;吴明晖;;基于CycleGAN的图像风格转换方法及应用[J];计算机时代;2019年08期
3 何剑华;龙法宁;朱晓姝;;基于改进的CycleGAN模型非配对的图像到图像转换[J];玉林师范学院学报;2018年02期
4 徐强;钟尚平;陈开志;张春阳;;不同纹理复杂度图像生成中CycleGAN循环一致损失系数优化选择方法[J];计算机科学;2019年01期
5 杜霞;;基于深度卷积网络的糖尿病性视网膜病变分类[J];现代计算机(专业版);2019年11期
6 吴宗胜;傅卫平;韩改宁;;基于深度卷积神经网络的道路场景理解[J];计算机工程与应用;2017年22期
7 孙鑫;钱会南;;基于深度卷积网络的中药饮片图像识别[J];世界科学技术-中医药现代化;2017年02期
8 陈奕豪;;基于深度卷积神经网络算法改进[J];电子世界;2018年07期
9 张庆辉;万晨霞;;卷积神经网络综述[J];中原工学院学报;2017年03期
10 李超琪;王绍宇;;基于深度卷积神经网络的人脸年龄分类[J];智能计算机与应用;2017年03期
11 李娟;强赞霞;杨关;崔春生;;基于区域推荐和深度卷积网络的交通目标检测[J];数学的实践与认识;2018年16期
12 陈锐;林达;;基于级联卷积神经网络的人脸关键点定位[J];四川理工学院学报(自然科学版);2017年01期
中国硕士学位论文全文数据库 前9条
1 柯小龙;卷积神经网络图像分类应用研究[D];深圳大学;2017年
2 孙贵宾;基于深度卷积神经网络的道路场景物体检测方法研究[D];北方工业大学;2017年
3 胡耀聪;基于卷积神经网络的密集场景人数估计算法研究[D];安徽大学;2017年
4 李东阳;基于多尺度的深度卷积网络的场景识别[D];上海交通大学;2015年
5 吴川北;基于卷积自编码神经网络的肺结节检测[D];华中科技大学;2017年
6 周旺;基于卷积神经网络的人脸年龄估计算法[D];南京大学;2017年
7 高灿;基于卷积神经网络的脱机手写汉字识别系统研究[D];安徽理工大学;2017年
8 蒋帅;基于卷积神经网络的图像识别[D];吉林大学;2017年
9 王羽;基于FPGA的卷积神经网络应用研究[D];华南理工大学;2016年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978