[发明专利]一种基于注意力机制的稳定生成对抗网络在风格迁移中的应用

权利要求书

1.一种基于注意力机制的稳定生成对抗网络在风格迁移中的应用，其特征在于，包括步骤：

(1)从风格迁移官方数据集中选取进行迁移的数据集；

(2)前向传播：将两个域的样本数据集输入到新生成器中，经过卷积、注意力机制、残差、子像素卷积操作得到迁移后生成图像；

(3)反向传播：首先，固定新判别器的参数，使其不进行梯度下降的同时，对新生成器进行反向传播与更新参数。然后，允许新判别器梯度下降，并进行反向传播与更新参数；

(4)采用PSNR，SSIM，LPIPS，FID评估指标、参数量、消耗显存以及训练时间对训练后的模型进行测试，度量迁移结果。

2.根据权利要求1所述的一种基于注意力机制的稳定生成对抗网络在风格迁移中的应用，其特征在于，

步骤(2)中新生成器的注意力机制，通过将GC Block注意力机制添加到改进的CycleGAN的生成器以及判别器中，扩大感受野，让其可以更多的捕获空间信息，使得模型在处理几何图像的时候可以获得更好的效果。

3.根据权利要求1所述的一种基于注意力机制的稳定生成对抗网络在风格迁移中的应用，其特征在于，

步骤(2)中新生成器的上采样机制，将CycleGAN的生成器中的反转置卷积修改为子像素卷积，使模型的生成结果更佳。

4.根据权利要求1所述的一种基于注意力机制的稳定生成对抗网络在风格迁移中的应用，其特征在于，

步骤(2)中新生成器的归一化机制，在CycleGAN的生成器和判别器中加入谱归一化，稳定模型训练过程。

5.根据权利要求1所述的一种基于注意力机制的稳定生成对抗网络在风格迁移中的应用，其特征在于，

步骤(2)中新生成器的注意力机制，将注意力机制提取出来的注意力图加上权重系数，通过修改权重系数动态调整注意力在网络中的比重。

6.根据权利要求1所述的一种基于注意力机制的稳定生成对抗网络在风格迁移中的应用，其特征在于，

步骤(3)中的优化器，使用AdaBelief优化器，进一步优化模型，提升生成效果。