金 阳,何利力
1(浙江理工大学 智能无人系统软件技术与应用重点实验室,杭州 310018)
2(浙江理工大学 浙江省服装个性化定制2011 协同创新中心,杭州 310018)
近几年来,生成对抗网络(Generative Adversarial Network,GAN)在计算机视觉、图像处理等多个领域得到越来越多的应用.其中包括应用最广泛的图像到图像的转换,它可以将来自不同域的图像进行相互之间转换.场景图像转换可以看成是图形处理和计算机视觉领域相结合的问题.传统的场景图像转换算法大多是基于模型的方法.孙毅刚等[1]提出一种基于改进的snake 模型,该算法利用模糊连接度准确找到雨雪轮廓点,并通过模糊相似度函数确定雨雪边界,实现雨雪场景图像转换.刘杰平等[2]基于大气散射模型,提出了一种适应人眼视觉特征的HSI 色彩空间估计大气光和透射率,实现雾霾场景图像转换.费子豪等[3]建立了基于高频分量直方图均衡化,低频分量同态滤波处理的小波变换模型,完成晴天多云场景图像转换.
场景图像转换是图像转换的一类问题.解决图像转换问题大多使用基于学习的方法,利用卷积神经网络的强大特征表示能力,学习源域到目标域图像的映射函数.为了学习到这个映射函数,许多国内外学者展开了广泛的科学研究.得益于文献[4],其将生成对抗网络(GAN)引入到深度学习领域,给生成图像工作带来了更加新颖的方法.基于GAN 网络模型,提出各种改进的图像转换模型.Mirza 等[5]提出了带条件约束的cGAN(conditional GAN)模……