基于多尺度特征及Wasserstein距离损失的单目图像深度估计

单目图像深度估计是一个病态问题,究其原因在于单一图像中缺乏深度信息。随着深度学习技术的不断发展,深度神经网络在单目图像深度估计领域取得了一定的突破。现有的深度网络模型采用编码-解码结构,编码器往往采用全卷积的方式来获取特征图像,但提取的特征图像往往不能很好地反映图像原有的信息。因此,通过对图像编码器进行改进,对提取的不同尺度下的特征进行融合,使得特征图像能更好地反映原有的图像信息。并且在训练时,在左右一致性损失的基础上引入Wasserstein距离损失对模型进行约束。实验结果表明,模型在KITTI数据集上具有较好的表现,预测得到的深度图像具有较高的准确性。

基于生成式对抗网络的水墨风格迁移研究

图像风格迁移是计算机视觉领域的一个研究热点,广泛用于艺术创作、影视娱乐等领域。利用深度学习等计算机技术自动生成中国水墨画对于弘扬中国的传统文化有着较为深远的意义。ChipGAN是一种基于生成式对抗网络(Generative Adversarial Network,GAN)的图像水墨化风格迁移网络。为提高ChipGAN的图像风格迁移质量,文章基于ChipGAN的网络结构进行改进,提出一个新的网络ChipGAN-RDN。将生成器中的残差网络(Residual Network,ResNet)替换成残差密集网络(Residual Dense Network,RDN),使浅层特征能够不断复用,最后将浅层特征和深层特征结合获得更丰富的特征信息。实验表明,本文提出的ChipGAN-RDN网络在峰值信噪比、结构相似性评价指标上的效果更好。