基于CycleGAN的人脸素描图像生成

CycleGAN是一种基于生成对抗网络的衍生模型,可以在缺少成对训练图像的条件下实现两个具有不同风格的图像域之间的相互转换。由于收集大量成对的人脸图像和素描图像存在较大的难度,并且针对人脸素描图像生成任务中存在的图像细节模糊和低清晰度的问题,提出一种改进的CycleGAN模型。通过引入基于注意力机制的残差模块,让CycleGAN的生成器模型可以更加有效地学习不同通道特征和人脸图像中不同区域的重要程度,降低人脸图像中无用信息对生成模型的影响,从而提升生成的人脸素描图像的质量。通过对比实验发现,使用基于注意力机制的CycleGAN模型生成的素描人脸图像质量较好,且更完整清晰地保留了较丰富的面部特征信息,优于CycleGAN和DualGAN模型,充分证明了基于注意力机制的改进CycleGAN模型的有效性。