多尺度生成式对抗网络图像修复算法*

• 作者: 张文韬 李乐 李克文 邵明文
• 来源期刊: 计算机科学与探索
• 学科: 工学
• 关键词: 图像修复 生成式对抗网络 多尺度 重构损失 对抗损失
• 年，卷（期）: 2020,（1）
• 所属期刊栏目: 图形图像
• 页码范围: 159-170
• 页数: 12页
• 分类号: TP391
• 字数: 8224字
• 语种: 中文

摘要

图像修复作为深度学习领域的一个研究热点,在人们现实生活中有着重要的意义.现有图像修复算法存在各种问题,导致视觉上无法达到人们的要求.针对现有图像修复算法精确度低、视觉一致性差以及训练不稳定等缺陷,提出了一种基于生成式对抗网络(GAN)模型的图像修复算法.该算法主要对判别器的网络结构进行改进,在全局判别器和局部判别器的基础上引入多尺度判别器.多尺度判别器在不同分辨率的图像上进行训练,不同尺度的判别器具有不同的感受野,能够引导生成器生成更全局的图像视图以及更精细的细节.针对GAN训练中经常出现的梯度消失或梯度爆炸问题,使用WGAN(Wasserstein GAN)的思想,采用EM距离模拟样本数据分布.在CelebA、ImageNet以及Place2图像数据集上对该算法的网络模型进行了训练和测试,结果显示与先前的算法模型相比,该算法提高了图像修复的精确度,能够生成更为逼真的修复图片,并且适用于多种类型图片的修复.