基于循环生成对抗网络的逆时偏移成像结果优化

在常规逆时偏移方法基础上,通过引入循环生成对抗网络(CycleGAN)发展一种基于循环生成对抗网络的逆时偏移成像结果优化方法。首先构建包含两个生成器和两个判别器的CycleGAN。在对抗损失、循环一致性损失函数的基础上,添加身份损失函数,以避免训练过度;然后,组建样本集来训练网络,使其学习常规逆时偏移成像结果和最小二乘逆时偏移成像结果之间的映射关系;最后,利用其他合成数据和实际资料测试网络效果。结果表明,提出的基于循环生成对抗网络的逆时偏移成像结果优化方法在获得高精度、高信噪比成像结果的同时有效地提高了计算效率。

基于循环卷积生成对抗网络的风机齿轮箱故障诊断

风机齿轮箱是风力涡轮传动系统中的关键部分,其故障发生随机、故障样本数量不足,严重影响故障诊断的准确性。针对此问题,提出一种基于循环卷积生成对抗网络的风机齿轮箱故障诊断方法。首先,构建基于循环卷积生成对抗网络的样本生成模型,利用卷积网络和循环网络作为生成器增强样本间的时间相关性;借助Wasserstein距离与梯度惩罚项改进目标函数,并通过博弈对抗机制优化生成器和判别器,提高模型的泛化能力。然后,结合真实样本和生成样本,设计基于堆叠去噪自编码器的故障诊断方法,实现齿轮箱的故障诊断。最后,利用风力涡轮传动系统数据集验证所提出的风机齿轮箱故障诊断方法的性能。结果显示,所提方法能够有效平衡故障样本数据集,进一步提高风机齿轮箱故障诊断的准确率。

基于循环生成对抗网络和Transformer的单幅图像去雾算法

针对传统去雾算法在配对数据集上训练时产生过拟合的问题,基于密度和深度分解的非配对图像去雾网络模型,改进了自增强缩放网络。引入Transformer机制,将其与深度卷积神经网络模块深度融合,提出了一种使用未配对数据集训练的基于循环生成对抗网络和Transformer的CT-Nets图像去雾算法;提取输入图像的深度信息和散射系数特征值,利用大气散射模型尽可能恢复不同场景下真实雾的浓度信息,以提高去雾图像主观视觉质量;基于Swin-Transformer设计自增强精化层,以获得精细的细粒度信息,提高模型泛化能力和最终预测图像真实性。实验结果表明,相较于基于密度和深度分解的非配对图像去雾网络模型,CT-Nets图像去雾算法的峰值信噪比和结构相似性分别提升4%和4.1%。

基于循环生成对抗网络的增强罗兰信号生成

在信号生成算法中,需要大量标记信号样本用于网络训练,但通常携带电文信息标记的信号难以批量获取。针对此问题本文提出一种基于循环生成对抗网络和迁移学习的方法,实现了无需大量信号及对应电文作为标记的增强罗兰信号生成,并使用迁移学习在少量实测信号情况下快速生成。循环生成对抗网络的结构包括两个生成器和两个判别器,利用无需一一对应的增强罗兰信号和电文数据集,使生成器学习到两个数据集之间的相互转换关系,实现输入电文数据可以生成与之相对应的增强罗兰信号,并且针对增强罗兰信号的特性,使用一维卷积、残差网络、自注意力机制对网络模型进行改进。实验证实,生成信号与实测数据的均方误差为0.0153,平均皮尔逊相关系数为0.9843,且所含电文信息准确率为99.02%。本文在PSK、ASK、FSK数据集上验证了算法,实验结果表明生成的信号满足预期,为未知参数的信号调制和解调提供一种新的思路。

基于改进循环生成对抗网络的低照度图像增强

为了解决在低照度图像增强过程中配对数据集获取困难,且经过增强后的图像质量不佳的问题,通过改进循环生成对抗网络模型的方法研究了非配对低照度图像增强的实现。生成器部分采用融合了Vision Transformer结构的U-NET模型替代原始的生成器模型,来提高图像变换的周期一致性和内容保持性,并有效地处理图像研究中普遍存在的长距离空间相关性的问题。判别器部分针对图像研究的特点选择PatchGAN代替传统的判别器,提高对图像细节的判别能力。同时引入身份一致性损失函数,提高图像质量。结果表明,相较于传统方法,本文改进的模型有着更好的主观视觉效果,同时在客观评价指标也有着相应的提高,可见本文改进模型的有效性。

基于注意力机制的循环一致性生成对抗网络

针对循环一致性生成对抗网络(Cycle-GAN)在图像风格转换任务上出现的纹理细节处理得不好、背景颜色保留较差等问题,并且缩小在配对图像数据集和非配对图像数据集上训练结果的差异,提出一种基于注意力机制的循环一致性生成对抗网络,在生成器网络中融入通道注意力机制(SE-Net),利用网络自主学习的方法得到每一个特征通道的重要程度,再分别赋予每个特征通道不一样的权重系数,以此来强调有重要特征的部分、抑制非重要特征的部分,使得不同特征和不同区域能够被生成器网络非均匀的处理。同时引入对比学习(CL),使网络能够学习到图像的更高层次的通用特征。实验结果表明,所提方法在horse2zebra数据集上取得了较好的结果。

基于生成对抗网络的植物景观生成设计——以花境平面图生成为例

【目的】植物景观设计需要科学性和技术性兼备。探索人工智能,特别是生成对抗网络(generative adversarial network,GAN)在植物景观设计中的应用,能够帮助设计师提高设计过程的效率。【方法】以花境平面图生成设计为例,建立了基于细致筛选优化的植物平面数据集。数据集标注基于植物分类,考虑了植物的种类、搭配原则及空间布局规律。引入循环生成对抗网络(cycle generative adversarial network,CycleGAN)模型对数据集进行学习,实现花境平面设计的自动生成。【结果】CycleGAN模型在以花境为代表的植物景观设计中具有独特的优势,花境平面图生成模型能够准确识别条形场地边界,并在色彩再现方面表现出较高的精度和可识别性。生成平面图的空间布局中,色块大小、平面布局形态和位置展示了各种植物的空间分布特点,并能够复现部分潜在搭配组合,生成了符合美学和生态原则的设计方案。然而,模型在部分场地边框的准确识别和设计结果的多样性方面仍存在局限。【结论】证明了CycleGAN在植物景观设计领域的应用潜力,并为实践中的植物景观设计提供了创新和有效的解决方案。

基于时序生成对抗网络的居民用户非侵入式负荷分解

现有的非侵入式负荷分解算法往往需要大量电器设备级的负荷数据才能保证分解精度,但由于用户对隐私性的考虑以及安装成本过高等问题,很难获取这些数据。因此,构建一种能深度挖掘电力负荷数据时序特性和电器相关性的时序生成对抗网络。利用降维网络对所有电器有功功率序列组成的高维向量进行降维以降低计算的复杂度,通过复原网络将结果还原为高维向量。基于电器运行状态和深度学习的非侵入式分解方法,运用卷积神经网络-双向门控循环单元构建状态复杂电器的负荷分解回归模型,对状态简单电器利用深度神经网络构建负荷识别分类模型。通过对比其他数据生成方法,以及改变典型公开数据集中生成数据比例所得的负荷分解结果验证了所提方法的有效性。

基于生成对抗网络的多姿态人脸识别算法

头部姿态角转换会造成人脸成像多姿态变化,人脸离散数据的高斯分布混乱,无法准确地反映人脸多姿态的任意性和连续性,存在识别效果差的问题。引入生成对抗网络理论,设计多姿态人脸识别算法。对获取到的不同角度人脸图像,实施多姿态人脸校正与旋转残差注意力计算,解决当前头部姿态估计方法对不同人脸兴趣区域不稳健的问题。设计生成对抗网络进行双路循环优化,在生成的对抗网络中,参考CASIA-Net网络结构,使用深层次网络结构,每一层都有一个3*3的卷积核。所提出的设计可以降低网络参数,增强网络的非线性度,实现高效的面部特征提取,构建人脸多姿态识别模型,并完成人脸识别。通过实验结果表明,所提算法针对多姿态人脸识别效果好,在人脸不同姿态变化过程中,识别率始终在97%以上,更适用于多姿态人脸识别。

基于生成对抗网络的人脸年龄渐进合成算法

人脸年龄合成(face age synthesis,FAS)的目标是根据源人脸图像合成指定年龄人脸图像,同时保留人脸的个人特征和身份信息.针对年龄变换时无关特征容易改变和产生伪影鬼影的问题,提出一种基于生成对抗网络的人脸年龄渐进合成算法.采用基于门控循环单元的年龄编辑模块自适应地过滤或加入特征,并使用属性解耦模块在潜在空间进行对抗学习,通过生成器和判别器的对抗策略保证了真实自然的人脸合成,使用年龄分类约束拟合特定年龄分布,为了保证年龄无关属性的保留,还在生成对抗网络中引入了重建学习.在跨年龄名人数据集(cross-age celebrity dataset,CACD)下的实验结果表明,对比其他基于条件生成对抗网络的算法,提出的算法生成的人脸图像伪影失真有所减少,年龄显著性增强,具有较好的年龄准确性和较高的身份一致性.

基于生成对抗网络的文本两阶段生成高质量图像方法

为了解决传统文本生成图像方法生成图像质量差和文本描述与生成图像不一致问题,以多种损失函数为约束,提出深度融合注意力的生成对抗网络方法(DFA-GAN).采用两阶段图像生成,以单级生成对抗网络(GAN)为主干,将第一阶段生成的初始模糊图像输入第二阶段,对初始图像进行高质量再生成,以提升图像的生成质量.在图像生成的第一阶段,设计视觉文本融合模块,深度融合文本特征与图像特征,将文本信息充分融合在不同尺度的图像采样过程中.在图像生成的第二阶段,为了充分融合图像特征与文本描述词特征,提出以改进后的Vision Transformer为编码器的图像生成器.定量与定性实验结果表明,对比其他主流模型,所提方法提高了生成图像的质量,与文本描述更加符合.

基于注意力-生成对抗网络的任务分析方法研究

合理的任务分析可帮助分析者快速、准确地进行任务规划,目前使用案例推理方法进行任务分析存在分析时间长、分析结果准确性较低等问题。针对该问题,提出了基于注意力-生成对抗网络的任务分析方法。以长短时记忆网络(LSTM)为生成器、循环神经网络(RNN)为判别器,针对离散数据细微梯度的更新无法回传的问题,在生成器中使用rollout policy对生成的不完整序列进行推理补充,在判别器中使用蒙特卡罗(MC)进行数据采样得到完整的数据序列动作价值函数,从而指导生成器的参数更新;针对稀疏数据特征不明显、数据重点不明确等问题,在生成对抗网络训练前加入软注意力机制,为不同特征赋予不同权重从而过滤冗余数据,筛选出重要的特征数据。将该方法与未加入注意力机制的生成对抗网络在同一模拟数据集上进行对比实验,结果表明,加入注意力机制后的方法在精确率(P)、召回率(R)、F1值和准确率(Accuracy)4种评价指标上分别提升了0.088,0.092,0.094和0.068,与其他神经网络推荐算法相比,在P,R,F1值和Accuracy上分别提升了0.1~0.3,0.1~0.2,0.1~0.25和0.07~0.17,证明了该方法的有效性。

基于生成对抗网络的时尚内容和风格迁移

生成对抗网络常常被用于图像着色、语义合成、风格迁移等图像转换任务,但现阶段图像生成模型的训练往往依赖于大量配对的数据集,且只能实现两个图像域之间的转换。针对以上问题,提出了一种基于生成对抗网络的时尚内容和风格迁移模型(content and style transfer based on generative adversarial network,CS-GAN)。该模型利用对比学习框架最大化时尚单品与生成图像之间的互信息,可保证在时尚单品结构不变的前提下实现内容迁移;通过层一致性动态卷积方法,针对不同风格图像自适应地学习风格特征,实现时尚单品任意风格迁移,对输入的时尚单品进行内容特征(如颜色、纹理)和风格特征(如莫奈风、立体派)的融合,实现多个图像域的转换。在公开的时尚数据集上进行对比实验和结果分析,该方法与其他主流方法相比,在图像合成质量、Inception score和FID距离评价指标上均有所提升。

基于改进生成对抗网络的图像风格迁移方法研究

为了解决传统GAN(Generative Adversarial Network)进行图像风格迁移受到成对数据集的限制,以及CycleGAN学习高级特征时表现不佳和训练过慢的问题,本文采用ModileNetV2-CycleGAN模型进行图像风格迁移,并引入多尺度结构相似性指数(multi-scale structural similarity,MS-SSIM)作为惩罚项保留风格图片的特征,来提高特征学习的效果,从而提高风格化图片质量。采用客观结构相似性SSIM与峰值信噪比PSNR和主观投票作为评估指标,对迁移后的效果进行评估,实验结果表明了本文改进算法的有效性。

基于循环生成对抗网络的壁画色彩修复算法

针对敦煌唐代壁画修复所面临的褪、变色以及修复后的壁画图像色彩存在假色和伪影的问题,提出基于循环生成对抗网络和多尺度融合协调注意力机制的壁画色彩修复算法。首先在循环一致性损失中添加同一映射损失,然后改进协调注意力机制,提出多尺度融合的协调注意力机制,最后在生成器中引入多尺度融合的协调注意力机制,对图像进行卷积核大小为1×1、3×3、5×5、7×7的多尺度卷积运算,提高生成图像的协调性。实验结果表明,与CycleGAN、WGAN等经典算法相比,本文算法在构造的壁画数据集上精度更高,可以在不依赖专家知识的情况下修复褪色壁画图像的颜色。

基于图卷积时空生成对抗网络的城市交通估计

在城市道路部署前估计路网的交通流量极具挑战性,为了解决这个难题,提出了一种新的条件城市交通生成对抗网络(Curb-GAN)模型,利用条件生成对抗网络(CGAN)生成城市交通流量数据.首先,把路网各节点的距离关系和外部特征信息作为条件处理,来控制生成结果;其次,利用图卷积网络(GCN)捕获路网的空间自相关性,利用自注意力机制(SA)和门控循环单元(GRU)捕获不同时隙交通的时间依赖性;最后,由训练好的生成器生成交通流量数据.在两个真实时空数据集上的大量实验表明,Curb-GAN模型的估计精度优于主要的基线方法,并且可以产生更有意义的估计.

基于改进循环生成对抗网络实现红外图像生成

针对目前已有的可见光图像生成红外图像的算法不能感知图像的弱纹理区域而导致生成的图像细节信息不突出、图像质量低的问题,本文提出了一种适用于图像生成任务的改进循环生成对抗网络(CycleGAN)结构。首先,利用特征提取能力更强的残差网络构建CycleGAN的生成器网络结构,使图像特征可以充分被提取,解决图像因特征提取不充分导致图像质量低下的问题;其次,在生成器的网络结构中引入了通道注意力机制和空间注意力机制,利用注意力机制对图像感知能力较差的区域进行权重处理,解决图像纹理细节丢失的问题。在OSU数据集上,本文所提出的方法相较于CycleGAN方法在峰值信噪比(PSNR)以及结构相似性(SSIM)指标上分别提高了7.1%和10.9%,在Flir数据集上的PSNR和SSIM分别提高了4.0%和6.7%。经过多个数据集上的实验结果证明,本文改进的方法能够突出图像生成任务中的细节特征信息,并且能有效地提升图像生成的质量。

基于改进循环生成对抗网络的图像去噪研究

图像去噪研究是图像处理中非常关键的一项技术。目前,常见的图像去噪方法大部分都需要成对的训练数据集,并且所生成的去噪图像大都会在颜色分布、边缘衔接等细节信息上和真实图像存在一定的差异,因此提出了一种基于改进的循环生成对抗网络的图像去噪方法。这种改进方法在原网络的基础上引入了多尺度判别器并提出了新的目标损失函数。其中,新的损失函数引入了像素损失和特征损失,还用Smooth L1范数损失代替了原网络中的L1范数损失。实验结果表明,提出的改进网络相较于原网络的性能有一定提升。和原网络相比,利用改进后的网络进行去噪的图片峰值信噪比从25.24dB提高到29.02dB,提高了15.0%;结构相似性指数从0.862提高到0.956,提高了10.9%。

基于生成对抗网络的锂电池寿命预测

锂电池广泛应用于多个领域,但其性能随时间退化,最终导致失效。为了解决GAN网络在时间序列预测中的模式崩塌问题,本文提出了一种基于WGAN的锂电池剩余使用寿命预测方法,该模型以GRU作为生成器和以CNN作为判别器,并在原有的损失函数基础上引入L2范数以提高模型的收敛性,最后通过对抗训练提高预测精度。使用CALCE锂电池数据集验证,WGAN模型在MAE、RMSE和R2评价指标上均优于其他模型,显示出高预测精度和良好泛化性。不同训练集占比下WGAN模型仍保持高预测性能,证明其广泛的适用性。

基于循环生成对抗网络迁移修正鼻咽癌兆伏级CT图像

目的观察循环生成对抗网络(CycleGAN)用于对鼻咽癌兆伏级CT(MVCT)图像进行迁移修正的价值。方法纳入101例于自适应放射治疗前接受计划CT(pCT)及MVCT扫描的鼻咽癌患者,随机将其分为训练集(n=80)和测试集(n=21)。基于CycleGAN对训练集图像进行训练并生成模型,再以模型对测试集MVCT进行迁移修正而生成伪CT(sCT);对pCT进行重采样,使其体素及尺寸与MVCT一致,获得重采样CT(RCT)。勾画肿瘤靶区(GTV)和危及器官并计算剂量,比较MVCT与RCT、sCT与RCT图像的CT值平均绝对误差(MAE)和剂量分布。结果测试集MVCT与RCT图像之间、sCT与RCT图像之间CT值的MAE分别为132.67(121.84,138.28)HU及76.77(62.71,86.43)HU,差异有统计学意义(Z=-5.466,P<0.001)。除颈部右侧转移淋巴结(GTV-NR-P)D 95和左晶状体D_(max)外,sCT与RCT图像其余剂量参数差异均无统计学意义(P均>0.05)。结论以CycleGAN修正鼻咽癌MVCT图像可使其与千伏级pCT图像的CT值差距明显缩小并能用于计算剂量。