[发明专利]基于多判别器协作的图像生成方法及系统

说明书

本说明书实施例提供了一种基于多判别器协作的图像生成方法和系统，该方法包括采集获取真实图像初始集，预处理后得到真实图像数据集；构造生成器网络和判别器网络，噪声输入至生成器网络获得生成图像集；基于生成图像集和真实图像送入各判别器得到各判别结果并进行求取平均值获得联合损失函数，通过梯度归一化法对联合损失函数进行梯度约束，得到归一化损失函数，计算判别器和生成器的损失函数并进行判别器网络和生成器网络的参数更新获得最优的生成器网络；通过最优的生成器网络生成图像。本发明通过多个判别器的协作与梯度归一化方法，减轻了收敛不稳定和模式崩溃等GANs训练过程中的问题，提升了GANs生成图像的质量与多样性。

技术领域

本文件涉及计算机视觉技术领域，尤其涉及一种基于多判别器协作的图像生成方法及系统。

背景技术

随着计算机运算性能的快速增长与神经网络相关理论的发展，图像生成技 术得到了很大进步，比较典型的模型有Pixel Recurrent Neural Networks一类的 自回归模型、Real-valued Non-volume Preserving Transformations一类的流模型、 变分自编码器和生成对抗网络(Generative Adversarial Networks，GANs)等。 相对于传统的自编码、自回归等非监督学习模型来说，GANs具备计算速度快、 生成样本质量更好(特别是图像的高频部分)、扩充灵活性较强等优点。

GANs作为一种隐式模型，并不对数据真实分布的表达式进行求解，但它 能够通过生成器网络与判别器网络之间的对抗学习，模仿数据的真实分布来生 成仿真样本，这是由GANs网络特别的结构所决定的。GANs由生成器网络 (Generator，G)和判别器网络(Discriminator，D)构成，其中G通过输入的 噪声向量生成“以假乱真”的仿真图像，而D则尝试区分仿真图像与真实图 像，两个网络互相对抗，又相互学习以提升自身的网络性能，最终G的生成图 像的分布越来越逼近真实图像的分布。

GANs的性能往往被收敛不稳定和模式崩溃等问题制约。训练不稳定问题 往往是梯度消失和梯度爆炸问题导致，其中，梯度消失使Kullback-Leibler散 度或Jensen-Shannon散度作为生成图像分布与真实图像分布之间差异性的度量 标准无法为神经网络的优化提供有效的梯度信息；模式崩溃使生成图像的多样 性很差，即模型没有全面地学习真实图像的特征模式，而梯度爆炸问题会引起 网络参数的震荡，使得模型难以收敛。

有鉴于此，亟需提供一种能够解决现有的GANs方法中存在的生成图像质 量不高、多样性不足的问题。

发明内容

本说明书一个或多个实施例提供了一种基于多判别器协作的图像生成方 法，包括步骤：

采集获取真实图像初始集，对真实图像初始集进行预处理后得到真实图像 数据集；

构造生成器网络和判别器网络，判别器网络由多个初始化方法与学习率不 同的判别器构成；

采样高斯白噪声输入至生成器网络获得生成图像集；

基于生成图像集，从真实图像数据集中获取等数量的真实图像，拼接真实 图像与生成图像并将其送入各判别器得到各判别结果；

将各判别结果进行求取平均值获得联合损失函数，通过梯度归一化法对联 合损失函数进行梯度约束，得到归一化损失函数，通过归一化损失函数计算判 别器损失函数与生成器损失函数并进行判别器网络和生成器网络的参数更新， 直至获得最优的生成器网络；最后通过最优的生成器网络生成图像。

本说明书一个或多个实施例提供了一种基于多判别器协作的图像生成系 统，包括

图像采集及处理单元：用于采集获取真实图像初始集，对真实图像初始集 进行预处理后得到真实图像数据集；

图像生成单元：用于通过训练好的生成器网络生成图像；