基于自我注意和边缘特征的生成对抗网络的图像风格转换算法

风格转移被广泛地应用于商业领域,如图像美化、电影渲染等。然而,许多现有的风格转移方法存在着细节损失和整体视觉效果不佳的问题。为了解决这些问题,提出了一个基于边缘特征和自我注意的循环一致生成式对抗网络(self-attention and edge feature generative adversarial network,SE-GAN)。模型结构包括一个生成器、一个判别器和一个边缘特征提取网络。生成器和判别器都包含一个自我注意模块,以捕捉图像的全局特征。边缘特征提取网络提取原始图像的边缘,并将其与原始图像一起送入网络,从而可以更好地处理细节。此外,还增加了一个感知损失项来优化网络,从而获得更好的感知结果。SE-GAN分别应用于四个数据集。实验结果表明,与其他几个现有模型的结果相比,计算的最终IS和FID值具有良好的效果,表明该模型在风格转移方面的优越性,它可以更好地保留原始图像的细节,具有更好的图像质量。