基于生成对抗网络的空中目标图像生成算法研究

祁生勇，臧月进，吕国云，杜 明

（1.西北工业大学电子信息学院，陕西西安 710072；2.上海机电工程研究所，上海 201109）

0 引言

2014年，Goodfellow 等［1］提出无监督生成对抗网络（generative adversarial networks，GAN），得益于GAN 巧妙的构思，其在图像生成领域取得了巨大的成功。

2015年，Denton 等［2］提出了拉普拉斯金字塔生成对抗网络（Laplacian pyramid GAN，LAPGAN），该算法将拉普拉斯金字塔和条件生成对抗网络［3］相结合，提升了生成图像的质量。2015年，Radford［4］提出了DCGAN，该模型结合卷积神经网络对于图像特征的提取能力和GAN 对数据建模的能力，进一步提升了生成图像的质量。2017年，Arjovsky［5］等提出了WGAN（Wasserstein GAN），从理论层面分析了原始GAN 训练不稳定的问题。 WGAN 使用Wasserstein 距离衡量真实数据分布和生成数据分布的距离，能够在任何情况下为生成器提供梯度信息以更新参数。

目前，生成对抗网络在图像生成、图像转换、图像超分辨率等［6］领域取得了巨大的成功。空中目标种类繁多，并且各种机型姿态各异，公开的数据集较少，因此针对空中目标图像生成的难度较大。本文基于DCGAN架构，通过优化判别器损失函数，提高了模型训练稳定性，同时提高了生成图像的质量。

1 基于DCGAN模型的图像生成算法

DCGAN 首次将GAN 和卷积神经网络结合起来，同时设计了一些优化训练的技巧防止模式崩塌，一定程度上解决了原始GAN 训练不稳定的问题，在MNIST［7］和LSUN［8］数据集中取得了较好的结果。

1.1 DCGAN网络结构

DCGAN 训练过程如图1所示，首先随机向量输入生成器得到生成图像，判别器负责区分图像为真的概率。判别器输出概率越接近1 说明输入图像越真实，接近0 则说明与真实图像差距较大。……