| 復(fù)雜景觀圖像的語(yǔ)義多狀態(tài)圖像風(fēng)格遷移 | |
| 所屬分類：技術(shù)論文 | |
| 上傳者：wwei | |
| 文檔大小：6635 K | |
| 標(biāo)簽： 景觀圖像 局部風(fēng)格遷移 SCST | |
| 所需積分：0分積分不夠怎么辦？ | |
| 文檔介紹：復(fù)雜景觀圖像包含具有不同特征的各種對(duì)象，傳統(tǒng)的風(fēng)格遷移方法無(wú)法在同一圖像中對(duì)不同對(duì)象進(jìn)行局部風(fēng)格遷移。CycleGAN可以通過(guò)偽監(jiān)督策略在沒(méi)有配對(duì)樣本的情況下實(shí)現(xiàn)風(fēng)格遷移。但是CycleGAN無(wú)法實(shí)現(xiàn)對(duì)復(fù)雜風(fēng)景圖像中不同類別對(duì)象的風(fēng)格遷移；同時(shí)CycleGAN在復(fù)雜場(chǎng)景中的泛化能力不足且復(fù)雜度高。因此，提出了一種基于語(yǔ)義類別的復(fù)雜風(fēng)景多狀態(tài)圖像生成方法，即語(yǔ)義類別風(fēng)格遷移（Semantic Category Style Transfer，SCST），能夠有效地結(jié)合局部特征實(shí)現(xiàn)復(fù)雜風(fēng)景的圖像生成。同時(shí)提出了上下文感知的風(fēng)格遷移模型GCycleGAN。實(shí)驗(yàn)結(jié)果表明本文提出的GCycleGAN的性能優(yōu)于CycleGAN、DualGAN和Munit等基于深度學(xué)習(xí)的圖像生成模型。 | |
| 現(xiàn)在下載 | |
| VIP會(huì)員，AET專家下載不扣分；重復(fù)下載不扣分，本人上傳資源不扣分。 | |
Copyright ? 2005-2024 華北計(jì)算機(jī)系統(tǒng)工程研究所版權(quán)所有 京ICP備10017138號(hào)-2