基于生成对抗网络的深度图像去噪.pdf
《基于生成对抗网络的深度图像去噪.pdf》由会员分享,可在线阅读,更多相关《基于生成对抗网络的深度图像去噪.pdf(6页珍藏版)》请在咨信网上搜索。
1、第 卷第 期计算机应用与软件 年 月 基于生成对抗网络的深度图像去噪孙显文张闯(南京信息工程大学电子与信息工程学院江苏 南京 )收稿日期:。孙显文,硕士生,主研领域:图像处理。张闯,副教授。摘要深度图被广泛应用于三维重建等领域,然而,由深度相机捕获的深度图会产生各种类型的失真,这使得从深度图中准确估计深度信息变得困难。针对低质量深度图中存在的各种类型的噪声,提出一种基于生成对抗网络的深度图像去噪算法。生成对抗网络由生成网络和判别网络组成。在生成网络中引入残差网络,避免模型退化问题,使用跳跃连接,加快网络训练速度同时保证图像细节的有效传递;在判别网络中使用步幅卷积代替池化层,减少模型的计算量;通
2、过优化模型的训练,使得生成的深度图像更加清晰。实验结果表明,该算法能够生成效果更好的深度图,在主观视觉和客观评价方面均优于其他算法。关键词三维重建深度信息生成对抗网络残差网络中图分类号 文献标志码 :(,),引言目前,深度传感器越来越受到人们的重视。深度传感器具有低成本、实时性强的特点,有利于实现图像绘制、三维重建 、障碍物识别 等多种视觉任务。然而,在现有的大多数系统中,获取的深度图像往往会受到过多的噪声干扰,很难从中准确估计深度信息,因此深度图像去噪显得尤为重要。在过去的几十年,人们提出了各种深度图像去噪算法。现有的算法可以分为两类:一类是传统的基于图像处理的方法;另一类是基于卷积神经网络
3、的方法。文献 通过构建稀疏失真模型,计算深度图像稀疏系数,结合真实深度图像的学习字典,完成深度图像的修复。文献 利用 图像中的彩色信息来增强深度图像,这类方法有太大的局限第 期孙显文,等:基于生成对抗网络的深度图像去噪 性,首先彩色图像的质量要足够高,其次深度图像与其对应的彩色图像要高度相关。文献 提出一种基于 卷 积 神 经 网 络(,)的快速深度图像去噪算法。文献 利用高分辨率边缘图像引导深度图像通过马尔可夫随机场优化构建,在有效避免了纹理信息引入的同时,保留了锐利的边缘。等 提出了一种生成对抗网络模型(,),传统的 模型会产生模式崩溃 、超参数敏感 等问题。文献 在 中纳入条件信息(),
4、通过引入像素级损失来改进网络,然而此种方式过于注重像素间的差异,导致生成的图像过度平滑、观感欠佳。文献 通过引入循环一致性约束来用于图像恢复,但未考虑图像细节的恢复处理,导致生成的图像细节部分缺失。文献 通过目标函数优化均方误差,从而产生了较高的峰值信噪比,但却无法捕捉图像的高频部分,难以达到令人满意的感知水平。文献 使用多对抗网络,通过多次训练迭代生成高质量的图像,但多对抗网络极易出现梯度爆炸、梯度消失等问题。文献 在非配对条件下,基于生成对抗网络实现图像增强,并设计了双判别器,对增强图像的整体和局部进行判别,以平衡整体和局部的增强效果。但该方法生成图像的边缘部分仍存在明显的伪影,且与参考图
5、像相比存在一定程度的色彩失真。针对上述问题,本文提出一种基于深度卷积生成式对抗网络的深度图像去噪算法,该网络由生成网络和判别网络构成。生成网络采用对称跳跃连接,加快网络训练速度。在卷积网络和转置卷积网络之间引入残差网络,并通过反复利用特征图来解决梯度爆炸和梯度消失的问题。在卷积网络和转置卷积网络中使用多尺度卷积核,提取图像更多层次的特征信息,从而使生成的图像更加清晰。在判别网络中使用步幅卷积代替池化层,减少模型的计算量,并在最后一层引入 函数用于特征映射。在生成网络和判别网络的每一层卷积后都加入批量标准化,提升网络的稳定性。最后在损失函数中引入均方误差损失和梯度损失,通过对损失函数的优化,在得
6、到更高峰值信噪比的同时,又能捕捉到图像的高频细节,从而使得生成的图像更加符合人眼主观感受。基于 图像库的实验结果表明,和 的平均值分别提高了 、,生成的图像更加清晰,能够很好地恢复图像细节。生成对抗网络生成对抗网络包含两个网络,分别是生成网络和判别网络。在训练过程中,生成网络用于学习参考图像的数据分布并生成新的数据,生成网络的目标就是尽量生成与参考图像相近的图像去欺骗判别网络。而判别网络的目标就是将生成网络生成的图像与参考图像区分开,由此构成了一个动态的对抗过程,当判别网络无法区分生成图像和参考图像,即生成网络生成的图像足以以假乱真,则网络达到最优状态。生成对抗网络结构如图 所示。图 生成对抗
7、网络结构生成对抗网络的优化目标函数可以表示为:(,),()(),()()()式中:是潜在表征;是真实样本图像;表示概率分布;表示期望。近年来,随着深度学习的兴起,深度卷积生成式对抗网络 将 网络与卷积神经网络结合,使得 广泛应用于图像生成、图像转换、图像增强和超分辨率等多种领域。深度卷积生成式对抗网络的结构与 网络类似,使用转置卷积神经网络作为生成器,卷积神经网络作为判别器,其优化目标函数可以表示为:(,),()(,),()(),)()式中:是真实样本图像;是输入进网络的失真图像;()是生成的图像。计算机应用与软件 年 本文改进的生成对抗网络本文提出一种基于深度卷积生成式对抗网络的深度图像去噪
8、算法,首先在生成器中使用跳跃连接并引入残差网络,其次在判别器中使用步幅卷积代替池化层并引入 函数,最后设计一种新的损失函数用来规范生成对抗网络,能够捕捉到更多的图像细节,从而生成高质量的深度图像。生成对抗网络结构生成网络通过跳跃结构连接相同尺寸的卷积层,这种连接方式能够加快网络的训练,防止网络陷入局部最优,减轻网络压力。随着网络层数的不断增多,网络性能也越来越好,但过多的网络层数不仅不会提高网络性能,还会导致梯度爆炸、梯度消失、模型退化等问题。为了解决这个问题,在卷积网络和转置卷积网络之间引入残差网络,使生成的样本更接近参考图像。生成网络由三部分组成,分别为卷积网络、残差网络、转置卷积网络。卷
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 生成 对抗 网络 深度 图像
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。