最小二乘迁移生成对抗网络

现有的生成对抗网络(Generative Adversarial Networks,GAN)损失函数已经被成功地应用在迁移学习方法中。然而,发现这种损失函数在学习过程中可能会出现梯度消失的问题。为了克服该问题,提出了一种学习领域不变特征的新方法,即最小二乘迁移生成对抗网络(Least Squares Transfer Generative Adversarial Networks,LSTGAN)。LSTGAN采用最小二乘生成对抗网络(Least Squares Generative Adversarial Networks,LSGAN)损失函数,通过单领域判别的训练方式来减少领域分布之间的差异。通过研究表明,所提方法与其他有竞争力的算法相比较具有一定的优越性。

H-ResGAN在智能反射面辅助通信系统中的信道估计

智能反射面(intelligent reflecting surface,IRS)辅助通信系统的信道维度较高,现有的信道估计方法须使用大量导频才能得到准确的信道矩阵.针对这一问题,提出了一种基于混合损失的残差生成对抗网络(hybrid loss based residual generative adversarial network,H-ResGAN)模型.H-ResGAN使用多个残差块来加深网络,可以充分提取信道特征,减缓梯度消失问题.同时,采用条件最小二乘损失和L1损失相结合的混合损失作为目标函数来提高训练的稳定性.仿真实验证明:H-ResGAN对环境噪声更具鲁棒性,估计误差显著低于传统方法;与传统的估计算法相比,H-ResGAN仅须发送少量导频就能获得准确的估计结果.

基于双网络及多尺度判决器的图像修复算法

为了有效解决修复复杂背景及高分辨率图像时产生的边界扭曲、伪影及训练不稳定的缺陷,提出了一种基于双生成对抗网络及多尺度判决器的图像修复算法。首先,将待修复图像输入基于空洞卷积(dilated convolution)层的内容预测网络,以重构损失和基于生成对抗损失的全局判决器为标准,进行粗修复,得到清晰合理、整体语义一致性的结构。然后,将粗修复结果输入细节修复网络,经空洞卷积路径和感知卷积路径解码和反卷积后,送入3个不同尺度的判决器进行优化,提升修复结果的纹理细粒度。最后,使用3个不同尺度的对抗损失优化网络参数,捕获破损区域的多尺度边缘信息,生成合理、逼真的纹理细节。在公认的图像数据集上对本文算法进行修复实验、双网络修复对比、高分辨率修复对比、目标移除实验、消融实验及客观实验,实验结果表明:本文提出的算法在修复背景复杂图像时,能生成合理的结构和清晰的纹理细节;双网络结构优于单网络结构;修复高分辨率图像时得到的纹理细粒度优于对比算法;将本文提出的算法用于高分辨率目标移除,能得到结构清晰合理、纹理细腻的结果;消融实验验证了提出模块的有效性;本文提出的算法的峰值信噪比、结构相似度、平均l_(1)误差和平均l_(2)误差均优于对比的经典修复算法。总之,本文提出的算法能很好地结合图像的整体语义,增强图像细节的修复精度,有效避免结构纹理错乱、像素重叠、边界扭曲等问题。

基于残差注意力网络的地震数据超分辨率方法

地震数据在油气勘探、地质勘探领域发挥着至关重要的作用。精确详细的地震数据有助于对油气勘探做出精确指导,减小勘探的风险,从而产生巨大的社会效益和经济效益。在提升地震数据分辨率方面,现有的方法在面对海量数据时,在高分辨恢复、去噪性能和效率上效果欠佳,难以恢复出细节丰富的地质信息,无法满足实际需求。地震数据能够反映地质构造以及地层的组成,具有局部相关性高、全局相关性低的特点。同时,地震数据高频部分通常蕴含着地质勘探等重要信息,如分层、断层信息等。针对地震数据的特点,文中将地震数据重建问题转化为图像超分辨率问题,提出了采用基于生成对抗网络的地震数据超分辨方法。针对地震数据分布具有局部相关性高、全局相关性低的特点,设计残差注意力模块,挖掘地震数据的内在相关性,通过训练含有相对生成对抗损失函数的生成对抗网络模型,来对地震数据进行超分辨率恢复,以得到更加精确的地震数据。在真实的地震数据集上进行了实验验证,结果表明,所提方法在地震数据超分辨上效果良好,在性能指标PSNR和SSIM上有3%~4%的提升,具有较强的实用性。