Page 136 - 《软件学报》2021年第9期

2760 Journal of Software 软件学报 Vol.32, No.9, September 2021

再进行判决.
D 1 ~D 3 的网络结构如图 4 所示,由多个下采样层和一个输出判决层组成,只是输入图像的尺寸不同.输入图
像为大尺度时更关注图像的细节,小尺度时更关注图像的结构.

Fig.4 Discriminator network structure
图 4 判别器网络结构
2.2.2 多尺度判决器数目
本文采用多尺度判决器,即多个判决器在不同尺寸的输入图像下进行.因此,判决器个数的选择至关重要.
因为在不同尺度下进行判决,小尺度图像作为输入时能够更多关注图像的整体结构和边缘,大尺度图像作为输
入则更多关注图像的细节保留.判决器个数少,则影响生成器效果.理论上是判决器越多越好,但也并非如此.判
决器越多,一是增加了网络的复杂度和计算量,影响训练时间;二是判决器个数与输入图像本身尺寸有关,如果
输入本身尺寸适当,非大尺寸或超大尺寸,判决器没必要过多.于是,针对判决器的个数选择多少较为合适,在本
文研究的特定情况下,进行了以下实验.本文在加雾训练集上进行训练,图像输入大小为 256×256,分别测试判决
器个数为 1~3 的情况下,迭代 60 个 epoch 的效果.
从整体上来看,判决器的个数对生成图像的内容影响不大,但在细节上会有所差别.由图 5 可见,当 num_D=1
时,景物的细节会出现缺失.比如图 5 中建筑的横线,而当 num_D 为 2 或 3 时,两张图片相差不多,细节保持都较
好.num_D=3 时,图像颜色更亮一点,只是略有提升,但是效果并不明显.同时,图 5 中的天空部分,当 num_D=1 时
会出现失真.而由于原始生成图像天空区域较亮,放大后依然很难观察到差别.于是,本文对天空区域进行了处
理,变换公式如下:
im_new r,g,b =(im r,g,b −240)×15 (13)
其中,im_new r,g,b 为输出的图像,im r,g,b 为变换前图像.变换后图像如图放大区域所示,当 num_D=2 或 3 时,天空颜
色则较为均匀.考虑到网络复杂度和计算量,在本文所有实验中,判决器的个数 num_D=2.

Fig.5 Comparison of different number of discriminators
图 5 不同个数判决器结果对比