基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
图像补全是数字图像处理领域的重要研究方向,具有广阔的应用前景.提出了一种基于生成式对抗网络(GAN)的图像补全方法.生成式对抗网络模型由生成器模型和判别器模型两部分构成,通过采用卷积神经网络(CNN)实现.首先,通过生成器模型对图像的缺失区域进行补全;然后,利用判别器模型对图像的补全效果进行判别.采用马尔科夫随机场(MRF)与均方误差(MSE)相结合的损失函数训练生成器模型,加强对图像纹理细节的处理能力.实验结果证明,基于生成式对抗网络的图像补全方法,相较于其他现有的方法,具有更好的补全效果.
推荐文章
分类重构堆栈生成对抗网络的文本生成图像模型
文本生成图像
堆栈生成对抗网络
分类
重构
跨模态学习
基于条件梯度Wasserstein生成对抗网络的图像识别
生成式对抗网络
条件模型
Wesserstein距离
梯度惩罚
全局和局部一致性
图像识别
基于生成式对抗网络的中文字体风格迁移
风格迁移
生成式对抗网络
卷积神经网络
残差网络
深度学习
生成对抗网络图像类别标签跨模态识别系统设计
生成对抗网络
图像类别标签
跨模态识别
系统设计
卷积神经网络
训练模型
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 生成式对抗网络在图像补全中的应用*
来源期刊 计算机科学与探索 学科 工学
关键词 图像补全 生成式对抗网络 卷积神经网络 马尔科夫随机场 均方误差
年,卷(期) 2019,(8) 所属期刊栏目 图形图像
研究方向 页码范围 1402-1410
页数 9页 分类号 TP391
字数 5004字 语种 中文
DOI 10.3778/j.issn.1673-9418.1811025
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 郭小明 辽宁石油化工大学理学院 12 82 4.0 8.0
2 钟凡 山东大学计算机科学与技术学院 11 39 4.0 6.0
3 潘斌 辽宁石油化工大学理学院 19 20 4.0 4.0
4 时澄 辽宁石油化工大学计算机与通信工程学院 1 4 1.0 1.0
5 李芹芹 辽宁石油化工大学计算机与通信工程学院 1 4 1.0 1.0
6 张露月 辽宁石油化工大学计算机与通信工程学院 1 4 1.0 1.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (0)
共引文献  (0)
参考文献  (11)
节点文献
引证文献  (4)
同被引文献  (6)
二级引证文献  (0)
1989(1)
  • 参考文献(1)
  • 二级参考文献(0)
2001(1)
  • 参考文献(1)
  • 二级参考文献(0)
2003(1)
  • 参考文献(1)
  • 二级参考文献(0)
2004(1)
  • 参考文献(1)
  • 二级参考文献(0)
2005(1)
  • 参考文献(1)
  • 二级参考文献(0)
2006(1)
  • 参考文献(1)
  • 二级参考文献(0)
2007(2)
  • 参考文献(2)
  • 二级参考文献(0)
2009(1)
  • 参考文献(1)
  • 二级参考文献(0)
2014(1)
  • 参考文献(1)
  • 二级参考文献(0)
2017(1)
  • 参考文献(1)
  • 二级参考文献(0)
2019(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2020(4)
  • 引证文献(4)
  • 二级引证文献(0)
研究主题发展历程
节点文献
图像补全
生成式对抗网络
卷积神经网络
马尔科夫随机场
均方误差
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
计算机科学与探索
月刊
1673-9418
11-5602/TP
大16开
北京市海淀区北四环中路211号北京619信箱26分箱
82-560
2007
chi
出版文献量(篇)
2215
总下载数(次)
4
总被引数(次)
10748
论文1v1指导