基于单幅图像学习的生成对抗网络模型

朱海琦，李 宏，李定文

（东北石油大学 电气信息工程学院，黑龙江 大庆，163000）

0 概述

生成对抗网络（Generative Adversarial Network，GAN）是一种解决图像生成问题的深度学习模型［1］，其基本思想源自博弈论中的零和博弈［2］，由生成器和判别器通过对抗学习最终达到纳什均衡［3］。近年来，生成对抗网络的各种变体被广泛应用于图像超分辨率重建［4-5］、图像到图像转换［6］、图像增强［7］、图像风格迁移［8-9］等视觉处理任务并取得众多成果，生成对抗网络已成为深度学习领域的研究热点之一。

原始GAN模型存在模型难以收敛、梯度消失、模型崩溃不可控等一系列问题。针对GAN生成器在生成过程中缺乏约束的问题，文献［10］在原始GAN的基础上增加约束条件形成CGAN 模型，有效控制了模型生成。2015年，RADFORD 等［11］将卷积神经网络（Convolutional Neural Network，CNN）引入GAN 模型得到DCGAN 模型，提高了生成样本的多样性和图像质量，并提升了训练的稳定性。文献［12］提出一种WGAN模型，采用EM距离代替JS 散度来衡量模型，解决了GAN 模型易崩塌和梯度消失的问题。文献［13］在WGAN 的基础上进行改进得到WGAN-GP 模型，去除了WGAN 采用的权重裁剪，引入梯度惩罚来满足Lipschitz 连续性条件，从而弥补WGAN 权重裁剪导致梯度爆炸或消失的不足。文献［14］将Self-attention 机制引入GAN 网络以处理图像中长范围与多层次的依赖关系，使生成的图像更逼真。文献［15］设计了一种BigGAN 模型，在生成器中将正交正则化和截断技巧相结合，很大程度上提升了生成图像的逼真度。文献［16］提出一种基于分段损失的生成对抗网络，使生成器在不同阶段采用不同损失函数，提高了模型训练的鲁棒性和运行效率。……