基于CycleGAN改进的人脸图像彩色化方法

针对当前灰度人脸图像彩色化技术出现的颜色不准确、人脸图像细节损失等问题,提出一种基于自注意力机制的优化的人脸图像彩色化方法。将自注意力机制ACmix模块嵌入到网络模型CycleGAN中,对人脸关键信息进行加权强化;引入involution算子,involution核相比传统卷积核在空间维度上具有更广泛的覆盖,能够自适应地提取更多的人脸信息;设计了一个复合损失函数来计算真实图像与生成图像之间的误差,以提高彩色人脸图像的真实性和自然性。在Multi-PIE和Georgia Tech Face Da-tabase数据集上对改进后的模型进行定量和定性评价,实验表明,与现有方法相比,所提出的模型可以实现更真实、更自然的人脸颜色。

基于生成对抗网络的人脸图像彩色化方法

提出了一种新的基于生成对抗网络的人脸图像彩色化方法.所提出的网络结构包含两组生成对抗子网络,每个子网络由一个生成器和判别器组成.其中,一个对抗子网络A(包含生成器A和判别器A)实现从灰度图像到彩色图像的翻译过程,另一个子网络B(包含生成器B和判别器B)反转该过程,即生成器B对称地使用生成器A的最终输出图像作为输入,用来重建原始的人脸灰度图像.其中,网络中的循环损失进行图像重建,而生成损失和对抗损失用来保证生成的图像更加接近真实图像.实验结果表明,这种结构设计不仅能实现自然逼真的人脸图像彩色化,还能同时保证人脸的身份属性不变.