Page 134 - 《软件学报》2021年第9期
P. 134
2758 Journal of Software 软件学报 Vol.32, No.9, September 2021
2 x
L GAN = E c 1 ~( ),s 2 ~ ( q s 2 ) [log(1 D− 2 (G 2 ( , )))]c s 2 + E x 2 ~ ( p x 2 ) [log D 2 ( )]x 2 (8)
1
1 c
p
因此,网络的优化目标可以表示为
1 c
2 c
1 s
2 x
1 x
2 x
1 x
2 s
,
min max ( ,LE E 2 ,G 1 ,G D D = 1 , 2 ) L GAN + L GAN + λ x (L recon + L recon ) λ + c (L recon + L recon ) λ + s (L recon + L recon ) (9)
1
2
EE 2 ,G 1 ,G DD 2
1 ,
1 ,
2
1.4 Pix2pix
[1]
Pix2pix 算法 是一个条件 GAN 框架,用于图像到图像的转换,由生成器 G 和判决器 D 组成.生成器 G 网络
目的是学习输入图像 x 到目标图像 y 的映射 G:x→y,使生成图像与目标图像十分接近,难辨真假;判决器 D 网络
的目的是尽可能判断出图像是生成图像还是真实图像.对以下公式进行网络优化:
argmin max(loss + λ loss ) (10)
G D GAN 1 L
其中,loss GAN 为生成对抗网络损失函数, loss 为 L 1 损失,λ为可调参数.loss GAN 定义如下:
1 L
loss GAN =E y~pdata(y) [logD(y)]+E x~pdata(x) [log(1−D(G(x)))] (11)
其目的是使 GAN 网络生成器与判决器相互制约,共同优化. loss 定义如下:
1 L
loss = E x ,~y pdata ( , )x y [|| y G− ( ) || ]x 1 (12)
1 L
因为图像生成本质上是回归问题,所以使用 L 1 损失对生成图像进行限制.Pix2pix 方法采用 U-net 作为生成
器以及 patchGAN 的卷积网络 [28] 作为判决器.
2 基于生成对抗网络的图像转换算法
本文提出的基于生成对抗网络的图像场景转换算法主要分训练和测试两个阶段.在训练阶段将 GAN 网络
模型进行优化,使得在测试阶段输入图像通过 GAN 网络模型得到输出图像.通过生成网络和判决网络不断迭
代,优化网络参数.算法流程图以图像加雾实验作为示例,如图 1 所示.本节将对生成器、判决器及损失函数进行
阐述.
Fig.1 Algorithm flowchart
图 1 算法流程图
2.1 生成器结构
2.1.1 跨层连接生成网络
以图像加雾为例.本文在生成器网络 G 设计上采用跨层连接,是由于在图像转换中有大量的信息在输入和
输出之间共享,并需要直接在网络上传输这些信息.例如进行场景转换时,输入和输出共享突出边缘的位置.网
络结构如下.
