在人工智能迅速发展的今天, 生成对抗网络凭借其优良的特性已经成为图像还原修复领域的一大热点技术, 其模型由生成器、判别器组成, 生成器主要对数据源中的图像数据进行处理, 而判别器则对其效果进行评判, 在不断博弈迭代的过程中, 使得图片的还原修复不断完善, 下面, 结合实例简要介绍基于对抗学习的图像修复。
一、模型的组成
(1) 生成器G的功能是已知图像中被遮挡的部分, 根据图像中未被遮挡的部分预测被遮挡的部分从而进行填补。输入是有遮挡物的风景照, 本模型将其预处理为有局部缺省的图像。生成器本质上是一个自动编码器, 首先通过卷积池化将输入映射到池化层, 这里面包含了等待填补的缺省信息, 解码器再通过这些缺省信息生成填充的内容。 (2) 判别器D的功能是检验生成器生成图像, 判断生成的图像是否接近真实图像, 其输入来源是生成器的输出, 其核心是卷积核, 卷积核的大小与层次决定了判别器的特征提取能力。 (3) 损失函数是为了量化生成图像与原始图像之间的差异而专门设置的, 其值愈小, 生成图像与原始图像的相似度越大, 实际操作中, 可以采用一系列范式来衡量具体的值。 (4) 对抗网络训练过程的表达式如下, 实际上, 也可以将其视为一个优化函数。在在函数函数V (D, G) 中, 第一项是判别器判定的实际数据的熵, 判别器始终努力让第一项的值接近于1。第二项是预处理过后的数据经过生成器修复得到的熵, 也就是生成器输出的熵。判别器始终努力将其最大化为0.而生成器的任务正好相反。正是这种类似博弈的规则, 使得模型得到训练, 精度得到提升。
二、模型的训练
(1) 生成器修复图像:采用Github中Landscape数据集作为数据源, 取其中3/4的风景照作为训练集, 取1/4的风景照作为检验集。对训练集做预处理, 使得照片中部分范围像素值为缺省值0, 预处理完成后, 在生成器上使用该数据集, 获得一系列填补完全的图像信息。 (2) 判别器判定图像质量:将上述填补完全的图像信息交由判别器进行判别, 对损失函数值未达到标准的结果进行再次迭代, 直到损失函数的值合乎标准为止, 此刻, 训练集训练完毕。 (3) 检验集验证模型效果:将得到的模型按上述方法应用到检验集上, 得到复原结果, 实验证明, 对抗学习修复图像的效果明显优于传统方法。
三、对结果的分析
(1) 图1为基于对抗学习的图像修复的效果图, 从左往右依次为:原始图像、预处理图像、修复后的图像。 (2) 从图中可以看出, 图像断面部分的连接效果不错, 总体效果较为平滑, 但是填补图像的内部根据情况的不同有一定量的像素波动, 这是由于训练集的量不够饱满以及损失函数带来的误差, 换言之, 在效率和效果之间要找到一个恰到好处的平衡点。
四、展望
基于对抗网络的图像修复技术拥有广阔的前景, 它的应用能够使得解决问题的方案从有监督学习逐渐过渡到无监督学习, 如今, 图像修复领域遇到的问题主要有计数问题、全局结构问题以及透视问题等, 而这, 也意味着无监督学习发展的不充分, 随着对抗网络的进一步优化, 相信这些问题能够得到很好的解决。
摘要：摄影摄像过程中, 目标拍摄物体被遮挡的情况时有发生, 对摄像效果造成不良影响。本文采用Github中Landscape数据集作为数据源, 在自动编码机的基础上构建了GAN生成器, 又以CNN方法构建判别器器, 两者进行对抗学习, 实验结果表明, 去除遮挡物后图形画面连贯, 有较高的还原度, 较好地解决了传统图像修护造成的扭曲视感问题。
关键词：图像修复,对抗学习,遮挡
参考文献
[1] 刘波宁, 翟东海.基于双鉴别网络的生成对抗网络图像修复方法[J].计算机应用, 2018 (8) :9-10.
[2] 曹志义, 牛少彰, 张继威.基于生成对抗网络的遮挡图像修复算法[J].北京邮电大学学报, 2018 (7) :17-19.
[3] 桑亮, 高爽, 尹增山.基于生成对抗网络的运动模糊图像复原[J].计算机工程与应用, 2018 (6) :66-69.
[4] 林懿伦, 戴星原, 李力晓等.人工智能研究的新前线:生成式对抗网络[J].自动化学报, 2018, 44 (5) :55-56.
[5] 李炬.基于生成对抗网络的人脸灰度图上色[J].电脑知识与技术, 2018 (4) :22-23.
[6] 唐贤伦, 杜一铭, 刘雨微等.基于条件深度卷积生成对抗网络的图像识别方法[J].自动化学报, 2018 (3) :36-39.
[7] 王坤峰, 苟超, 段艳杰等.生成式对抗网络GAN的研究进展与展望[J].自动化学报, 2017, 43 (3) :321-332.