[发明专利]一种基于自编码器和生成对抗网络修复人脸缺损图像的方法

摘要

本发明提供一种基于自编码器和生成对抗网络联合优化的人脸缺损图像还原的方法，结合自编码器和生成对抗网络，包括以下步骤：(1)进行人脸数据集缺损预处理(2)将处理好的数据集训练自编码器，使其达到最佳；(3)将处理好的数据集训练条件生成对抗网络，使其达到最佳(4)将需复原的缺损图像输入训练好的编码器，生成预修补的人脸图像；(5)将预修补图像输入条件生成对抗网络，即可生成更清晰自然的还原人脸图。该方法提高了缺损人脸区域还原的清晰度，以及缺失内容生成的逼真度，最大限度避免了缺损区域边缘的伪像，限制了缺失区域的生成方向，产生了更清晰和更自然的还原效果。

主权项

1.一种基于自编码器和生成对抗网络修复人脸缺损图像的方法，该方法包括以下步骤：1)获取人脸图像，将获得的人脸图像组成人脸数据集；2)人脸数据集进行缺损处理：将人脸数据集中的每一张人脸图像进行图像的提取、归一化处理，在每一张人脸图像上随机生成遮挡块，每一张人脸图像对应获得一张缺损的人脸图像，缺损的人脸图像组成缺损人脸数据集；3)训练自编码器：将人脸数据集和缺损人脸数据集输入自编码器，训练自编码器，自编码器对缺损人脸数据集中的每一张缺损的人脸图像进行初步修复；获得训练后的自编码器，同时获得初步修复人脸数据集；4)训练生成对抗网络：生成对抗网络由生成器(G)、判别器(D)组成；在生成器(G)和判别器(D)的中输入人脸数据集中的完整的原始人脸图像，将初步修复人脸数据集输入到生成对抗网络的生成器(G)和判别器(D)中，生成对抗网络下的生成器(G)和判别器(D)根据人脸数据集中每一张人脸图像和对应的经过自编码器初步修复的人脸图像不断进行迭代训练，形成最佳状态的CGAN模型；5)将待修复人脸图像输入训练后的自编码器，获得初步修复的待修复人脸图像；6)将初步修复的待修复人脸图像输入CGAN模型的生成器(G)中，通过CGAN模型的修复，获得修复的人脸图像。