[发明专利]基于扩散循环生成式对抗网络的图像风格迁移方法

权利要求书

1.一种基于扩散循环生成式对抗网络的图像风格迁移方法，其特征在于：包括以下步骤：

S1：创建风格A图片数据集和风格B图片数据集，对图像数据进行预处理，构建训练集和测试集；

S2：构建扩散循环生成式对抗网络模型；

S3：设计扩散循环生成式对抗网络模型的损失函数；

S4：将风格A与风格B的非成对训练集输入所述扩散循环生成式对抗网络模型中进行训练；

S5：将风格A与风格B的测试集分别输入训练好的扩散循环生成式对抗网络模型中，获得风格转换后的图像，完成风格迁移任务。

2.根据权利要求1所述的基于扩散循环生成式对抗网络的图像风格迁移方法，其特征在于：步骤S2所述的构建扩散循环生成式对抗网络模型，具体包括以下步骤：

S21：选取循环生成式对抗网络中的生成器和鉴别器作为扩散循环生成对抗网络模型的生成器和鉴别器；

S22、构建扩散模块，包括前向扩散模块和扩散强度自适应控制模块；

S23：设计扩散循环生成式对抗网络模型的体系结构由两个生成器、两个鉴别器、两个扩散模块组成；

S24：模型结构分为两个学习过程：从风格A图像到风格B图像的学习过程和从风格B图像到风格A图像的学习过程。

3.根据权利要求2所述的基于扩散循环生成式对抗网络的图像风格迁移方法，其特征在于：步骤S22所述的构建扩散模块，具体包括以下步骤：

S221：设计前向扩散模块，向真实图像与生成图像中注入高斯实例噪声以平滑图像数据分布，注入噪声的强度由扩散步长t控制，得到的噪声数据混合分布由y表示；

S222：将得到的真实图像与生成图像的噪声混合分布按照扩散强度t输入鉴别器中判断生成图像真假；

S223：设计扩散强度自适应控制模块，根据鉴别器的过拟合程度动态控制向图片中注入的噪声强度t；设计鉴别器过拟合程度度量值r_d，并利用r_d更新扩散链最大扩散步长T，得到扩散步长分布p_π。

4.根据权利要求3所述的基于扩散循环生成式对抗网络的图像风格迁移方法，其特征在于：步骤S221中所述的前向扩散模块中设有前向扩散链，以m个步骤将高斯实例噪声逐渐添加到真实图像与生成图像中以平滑图像数据分布，注入噪声的强度由扩散步长t控制，最大扩散步长由T表示，代表扩散链的最大长度。得到噪声数据在整个扩散链中的整体分布由Y表示，单个扩散步长的噪声数据混合分布由y表示，Y的计算公式为：

其中q(y|x,t)是单个扩散步长的噪声数据混合分布，π_t是扩散步长t的混合权重，y表示为：

其中N代表跃迁高斯分布，a_t是提前定义好的和t相关的方差表，σ²是固定方差，I为单位矩阵；

每个步长t的混合权重π_t由离散分布p_π定义，表示为：

t～pπ＝Discrete(π₁,...,π_t)

其中Discrete代表非对称离散分布。

5.根据权利要求3所述的基于扩散循环生成式对抗网络的图像风格迁移方法，其特征在于：步骤S223中所述的鉴别器过拟合程度度量值r_d，计算公式为：

其中，D_φ(y,t)是鉴别器输出，sign是符号函数，根据度量值更新扩散链最大扩散步长T的公式为：

T＝T+sign(r_d-d_target)*C

其中d_target与C均为固定常数，更新后的扩散步长混合权重分布函数p_π为：