生成式对抗网络的图像域转换

赵 莉，白猛猛，赵亚欣,肖 锋

(西安工业大学 计算机科学与工程学院,西安 710021)

图像域转换是计算机视觉里一个重要的新研究方向，具有广阔的应用前景，如卫星遥感影像图像转换电子地图图像，残缺图像转换补全后完整图像等领域.以往的图像域转换基于人工设计的方式进行，包含颜色空间域转换，小波变换等操作.这些域转换算法需进行大量人工优化参数才能满足特定任务的需要.现今随着深度学习的发展，生成式对抗网络(Generative Adversarial Networks,GAN)被提出用来学习特定目标数据类型的数据分布规律，从而生成新的目标数据类型中的数据.

GAN是深度学习发展的一个新的分支，是基于博弈论的一种深度学习网络.GAN包含两类网络一种是含有反卷积层的生成式网络用于生产数据，另一类为起鉴别作用的鉴别器网络，同生成网络产生博弈.2014年文献[1]首次提出GAN，此时的GAN通过对其输入一个随机噪音信号，可随机生成不同目标类型数据的样本，此时的GAN只用于学习目标数据类型的数据分布.在原始的GAN上通过改进鉴别网络[2]产生的Conditional GAN能够根据输入带有限制条件的信号生成特定的目标类型数据，如文献[3]可根据输入的条件不一样产生不同角度的带有窗户的室内图像，文献[4]可根据输入的描述性文字经处理后输入GAN产生与文字描述相对应的图像等.Conditional GAN的产生为图像域的转换成带来了新的解决思路，即将原始域的图像作为输入GAN的条件信号，目标域的图像作为GAN产生的对象.基于该思路的图像域转换，如文献[5]利用文献[6]设计的生成网络结合真假鉴别网络，对输入的人脸图像实现了卡通风格的转换，并且为无监督的训练方式；……