基于姿势引导与属性分解的人物图像生成

生成姿势受控的人物图像要求在变换姿势条件下生成与源人物图像对应的新图像,同时新图像中人物的上衣、裤子、发型等属性需要与源人物保持一致。由于人物纹理编码和人体姿势关键点编码难以直接融合,导致生成图像中一些关键人物属性与源图像的一致性较差,为此,建立一种循环一致性约束下的双流生成网络模型。在训练阶段,该模型在纹理编码器的输入中增加源人物的姿势条件信息,从而缩小分解组件编码的搜索空间,提高人物生成的可控粒度。设计一个融合模块将源人物的姿势信息与每一个分解组件样式码相融合以进行生成和对抗训练,同时,增加循环一致性约束,使得生成图像与隐空间更为匹配。在测试阶段,通过网络对源人物的纹理编码信息与目标的姿势编码信息分别进行编码,经过信息融合和解码获得姿势变换后的人物图像。使用DeepFashion数据集进行定性和定量测试,结果表明,该模型的峰值信噪比、感知评分、结构相似性指标分别达到31.409 dB、3.369、0.768,模型中添加的姿势引导条件和循环一致性约束能够简化属性分解的概率生成表达,使得人物生成图像的纹理更为准确,符合人类视觉感知特性。

基于主成分分析的不受睡眠姿势影响的呼吸容积动态监测方法

目的探究基于主成分分析(PCA)的不受睡眠姿势影响的呼吸容积动态监测方法。方法利用2014年6月采集到的10名健康男性大学生平静呼吸时在仰卧、左侧卧和右侧卧位下的呼吸流速(PNT)信号及胸腔阻抗(IPTH)、左肺阻抗(IPL)和右肺阻抗(IPR)信号,通过对PNT信号进行积分运算得到呼吸容积(VPNT)信号作为金标准,使用基于PCA的数据融合算法从左肺和右肺的呼吸信号中获取融合的容积信号(VIPLR)。结果VIPLR与VPNT的相关系数(r)高达0.9501,且与经典的胸腔阻抗容积(VIPTH)比较,容积平均绝对误差(MAE)下降了25%。结论基于PCA的睡眠呼吸容积评估方法是一种可信度较高的睡眠呼吸容积动态监测新方法,能够最大限度地克服睡眠姿势变换对监测结果的影响。

小宝宝这样抱

新生儿刚出生不久,颈肌没有完全发育好,头部软弱无力,如果将他的头竖起来,你会发现其头很快就垂下来.