基于循环生成式对抗网络的一维时变信号自适应去噪研究

针对传统去噪方法自适应差、对低信噪比时变信号去噪能力不足的问题,提出了一种基于循环生成式对抗网络CycleGAN的信号去噪方法。将广泛用于二维图像数据风格迁移的CycleGAN改进为适用于时序信号的一维CycleGAN,通过含噪信号和无噪信号两个数据集的循环对抗训练,得到信号从含噪空间到无噪空间的端到端最佳映射,从而获得具备自适应降噪功能的去噪模型。经过6组添加了不同信噪比的高斯白噪声的含噪信号集的测试实验,结果表明,该方法对于低信噪比的含噪时变信号具有优越的去噪能力,在信噪比和均方误差这两项指标的评价上都显著优于传统方法。

改进生成对抗网络的单幅图像去雨算法研究

单幅图像由于没有视频时间序列的关联,并且图像中雨的方向、大小和自然环境的背景的复杂性,使得单幅图像去雨的难度大大增加。为了解决这个问题,提出基于生成对抗网络改进的去雨算法。在训练过程中,由于图像的输入维数比较高,会导致训练模型参数过多等问题,所以采用了Inception模块,该模块降低了输入维度,减少了参数,能够很好地保留图像的细节。在生成网络和判别网络中引入了注意力机制,使生成网络能够很好地关注有雨的部分并恢复除去雨的部分,判别网络能够更好地评判真实图像和生成图像的一致性。