[发明专利]一种基于迂回策略的图像合成方法

说明书

本发明公开一种基于迂回策略的图像合成方法，包括步骤：选取与真实图像相关的额外图像；输入用于合成图像的基本内容，在生成对抗网络的生成器中合成对应的图像结果；将真实图像、额外图像以及生成器的合成图像输入生成对抗网络的判别器中进行判别，判别器将真实图像判别为真，其他类型的图像均要判别为假，从而完成判别器优化；通过对抗学习性质，基于判别器的优化从而实现生成器的优化；利用优化后的生成器完成图像优化合成。本发明,能够用于所有基于生成对抗网络的图像合成结构之中去进一步提高图像合成的质量，这大幅度提升了图像合成技术的可扩展性和实用性，能够更好的促进图像合成技术的发展以及相关图像合成软件的推广。

技术领域

本发明属于图像处理技术领域，特别是涉及一种基于迂回策略的图像合成方法。

背景技术

得益于近几年人工智能的快速发展，尤其是深度学习技术的引入，使得图像合成技术取得了突破性的进展。在各种类型的图像合成上，现有的技术已经能够合成高度真实可信的图像结果。在深度学习图像合成技术中，表现最为突出的便是生成对抗网络。生成对抗网络通过一个生成器和一个判别器以对抗学习的方式实现了高质量的图像合成。其中生成器用于合成图像，判别器则用于判别合成图像的真假。如果判别器可以正确判别真假则生成器需要进行进一步的学习从而提高合成图像的质量；如果判别器无法正确判别真假则判别器需要进一步学习从而提高其判别能力。这种对抗学习的过程不断地进行下去，最终生成器可以合成高质量的图像。生成对抗网络技术目前已成为了图像合成的基础架构，对该架构的改进可以进一步促进图像合成技术的发展以及相关图像合成软件的推广。

现有的图像合成技术中，未使用生成对抗网络的图像合成效果差强人意，使用了生成对抗网络的合成效果则明显具有较高的质量。在使用了生成对抗网络的图像合成技术中，目前存在的技术包括基于高斯噪音的方法、基于类别标签的方法以及基于文本描述的方法。这些方法中存在的主要缺点有两个：一是绝大多数的方法都是对生成对抗网络中的生成器结构进行修改从而去提升图像合成的质量，这样一来缺少在判别器中进行改进的技术；二是在生成器中的改进导致最终的生成器结构各异，如此使得当前缺少统一的生成器结构，这不利于图像合成技术的推广应用。

发明内容

为了解决上述问题，本发明提出了一种基于迂回策略的图像合成方法,能够用于所有基于生成对抗网络的图像合成结构之中去进一步提高图像合成的质量，这大幅度提升了图像合成技术的可扩展性和实用性，能够更好的促进图像合成技术的发展以及相关图像合成软件的推广。

为达到上述目的，本发明采用的技术方案是：一种基于迂回策略的图像合成方法，包括步骤：

S10,选取与真实图像相关的额外图像；

S20,输入用于合成图像的基本内容，在生成对抗网络的生成器中合成对应的图像结果；

S30,将真实图像、额外图像以及生成器的合成图像输入生成对抗网络的判别器中进行判别，判别器将真实图像判别为真，其他类型的图像均要判别为假，从而完成判别器优化；

S40,通过对抗学习性质，基于判别器的优化从而实现生成器的优化；

S50,利用优化后的生成器完成图像优化合成。

进一步的是，所述额外图像包括二值图、深度图、前景图、掩码图和分割图。

进一步的是，所述基本内容包括噪音、类别标签、文本信息和概略轮廓信息。

进一步的是，所述根据生成对抗网络的训练过程包含有生成器和判别器的融合训练，基于判别器的优化从而实现生成器的优化。

进一步的是，生成对抗网络的生成器中采用的损失函数为：

其中，L_G表示生成器损失，G表示生成器,c表示基本内容，P_C表示c的分布。