[发明专利]一种基于深度卷积生成对抗网络的图片生成方法

说明书

本发明公开了一种基于深度卷积生成对抗网络的图片生成方法，包括图片收集、图片预处理、图片导入网络和网络训练图片；本发明的有益效果在于，该发明的图片生成方法能够客服拍摄角度、背景等差异，相比于生成对抗网络，深度卷积生成对抗网络提高了图片生成的相似度，因此能够生成全新的高精度目标图像。

技术领域

本发明涉及图片生成技术领域，尤其涉及一种基于深度卷积生成对抗网络的图片生成方法。

背景技术

近年来，虚拟现实在教育培训、工程建筑等领域得到广泛应用，而图像生成作为虚拟现实的技术瓶颈，极大限制了虚拟现实的进一步发展。业内，Adobe公司等已尝试在产品中加入智能抠图、智能编辑助手等功能，通过简单的图像生成系统，帮助普通人进行虚拟现实构建工作。然而，现有的图像生成过程中，特征表达与融合往往忽略图像的深层语义，从而直接降低了图像生成的精度。

Alec Radford等提出深度卷积生成对抗网络。深度卷积生成对抗网络结合深度学习和生成对抗网络的优点，利用卷积神经网络的特征提取能力，提高了生成网络的学习效果。首先，训练一个生成器G，从随机噪声或者潜在变量中生成逼真的的样本，同时，训练一个判别器D来鉴别真实数据和生成数据，两者同时训练，利用G和D构成动态“博弈过程”，直到达到一个纳什均衡，生成器生成的数据与真实样本无差别，判别器也无法正确的区分生成数据和真实数据。通过基于深度卷积生成对抗网络，提出新的图像生成方法，通过大量的图片训练，最终自主生成全新的高精度目标图像。

发明内容

本发明的目的：提供一种基于深度卷积生成对抗网络的图片生成方法，利用深度卷积生成对抗网络的生成器通过随机噪声生成图像，进而判别器提取特征用于生成图片，并通过与真实图片对比，实时调整深度卷积生成对抗网络，从而优化图片的生成能力。

为了实现上述目的，本发明的技术方案是：一种基于深度卷积生成对抗网络的图片生成方法，包括如下步骤：

步骤1，随机收集N个具有相同内容的真实图片，作为图片训练样本和真实图片样本；

步骤2，对步骤1中收集的N个真实图片进行预处理；

步骤3，将预处理后的N个图片训练样本和N个真实图片图片输入至深度卷积生成对抗网络；

步骤4，采用深度卷积生成对抗网络对输入的N个图片训练样本和N个真实图片样本进行训练；

步骤5，生成接近真实图片样本的N个仿真图片。

上述的基于深度卷积生成对抗网络的图片生成方法，其中，步骤4包含如下步骤：

步骤4.1，深度卷及生成对抗网络包括生成器G和判别器D；

步骤4.2，设计生成判别器D的损失函数。

上述的基于深度卷积生成对抗网络的图片生成方法，其中，所述的生成器G为编码器、转换器或解码器。

上述的基于深度卷积生成对抗网络的图片生成方法，其中，所述的生成器G为反卷积生成器G，所述的判别器D为卷积判别器D。

上述的基于深度卷积生成对抗网络的图片生成方法，其中，步骤4.1包含如下步骤：

步骤4.1.1，采用与所述的判别器D模型对偶的方式生成所述的生成器G；

步骤4.1.2，采用标准化操作构建所述生成器G。

上述的基于深度卷积生成对抗网络的图片生成方法，其中，所述的判别器D的损失函数：

其中，x采样于真实图片样本数据分布P_data(x)，z采样于随机噪声分布P_z(z)，E[]表示期望。