基于残差结构的GAN网络的显著性预测研究

优化了简单生成对抗网络结构,用于更有效的通过对抗性实例训练得到视觉显着性图,减少假阳性产生和提高显著性.网络模型仍遵循传统生成对抗网络结构,第一阶段是由一个使用残差结构建的生成器组成,该模型的权值由显著图的下采样版本的二分类交叉熵损失(BCE)的反向传播计算得到的,训练得到更有效的显著图.预测结果由受训练的判别器网络进行生成阶段生成的显著图与真值图之间的二值分类处理.实验展示了改进生成对抗网络中的生成器的预测显著图的能力对整个网络性能提升,相较于其他显著图预测模型也有一定领先.

改进CycleGAN的图像去雾网络

针对传统CycleGAN在图像去雾后出现模糊和颜色失真等问题,给出了一种改进CycleGAN的图像去雾网络.所提CycleGAN的生成器包括特征提取、特征融合和图像复原三个子网络.图像特征提取子网络用于提取图像的内容特征和风格特征,特征融合子网络利用两种不同的注意力机制分别对提取到的内容特征和风格特征进行融合,图像复原子网络将融合后的图像特征还原成无雾图像.与传统的CycleGAN和已有的去雾网络相比,所提网络对合成图像和真实图像均可取得理想的去雾结果,有效解决了传统CycleGAN在图像去雾后出现的模糊和颜色失真的问题.