[发明专利]一种基于多层级特征的对抗图像生成方法

权利要求书

1.一种基于多层级特征的对抗图像生成方法，其特征在于，包括以下步骤：

S1：在层级框架的不同生成器之间引入稠密连接以构建密集堆叠的生成式对抗网络DSGAN模型；

S2：对DSGAN模型进行训练；

S3：将图像的标签信息输入到DSGAN模型，采样得到最终图像。

2.根据权利要求1所述的基于多层级特征的对抗图像生成方法，其特征在于，步骤S2具体为采用对抗性损失、熵损失和条件特征损失三种损失函数来对DSGAN模型进行训练。

3.根据权利要求2所述的基于多层级特征的对抗图像生成方法，其特征在于，对抗性损失函数为：

其中，表示训练DSGAN模型中的判别器D_i的对抗性损失函数，表示训练DSGAN模型中的生成器G_i的对抗性损失函数，表示求期望值，下标h_i表示真实特征表达或图像，其服从分布P_data,E，下标包含E表示该信息通过编码器E获取；z_i表示噪声，其服从分布生成器G_i以更高一级的特征表达h_i+1和噪声z_i作为输入。

4.根据权利要求2所述的基于多层级特征的对抗图像生成方法，其特征在于，熵损失函数为：

其中，表示训练DSGAN模型中的生成器G_i的熵损失函数，表示求期望值，z_i表示噪声，其服从分布表示当前生成器G_i的输出结果，其服从分布Q_i表示基于生成输出结果重建噪声z_i的后验概率分布。

5.根据权利要求2所述的基于多层级特征的对抗图像生成方法，其特征在于，条件特征损失函数为：

其中，表示训练DSGAN模型中的生成器G_i的条件特征损失函数，表示求期望值，λ_j表示各层特征的权重系数，下标h_i+j表示真实特征表达或图像，其服从分布P_data,E，下标包含E表示该信息通过编码器E获取；z_i表示噪声，其服从分布生成器G_i以多层级的特征表达h_c和噪声z_i作为输入；f表示距离度量，E_i→i+j表示重建第i+j层特征表达，h_c为k层特征h_i+1,h_i+2,…,h_i+k融合后的多层级特征。

6.根据权利要求1至5任一项所述的基于多层级特征的对抗图像生成方法，其特征在于，步骤S2具体包括：先对DSGAN模型中的各个生成器以G₀至G_n-1的顺序依次单独进行训练，再对G₀～G_n-1进行联合训练，其中n为DSGAN模型的层数。

7.根据权利要求6所述的基于多层级特征的对抗图像生成方法，其特征在于，步骤S2中对DSGAN模型中的各个生成器以G₀至G_n-1的顺序依次单独进行训练之前还通过预训练的编码器E中提取各层特征h₁～h_n-1。