申请/专利权人:河南大学
申请日:2022-11-08
公开(公告)日:2024-06-21
公开(公告)号:CN115841589B
主分类号:G06V10/764
分类号:G06V10/764;G06V10/776;G06V10/82;G06N3/0475;G06N3/088
优先权:
专利状态码:有效-授权
法律状态:2024.06.21#授权;2023.04.11#实质审查的生效;2023.03.24#公开
摘要:本发明涉及图像处理技术领域,具体涉及一种基于生成式自我注意机制的无监督图像翻译方法,包括:将获取的待翻译图像输入到独立编码器,得到待翻译图像的DSI深浅信息空间,进而得到组合和叠加后的DSI深浅信息空间;将组合和叠加后的DSI深浅信息空间输入到预先构建并训练好的含有生成式自我注意机制的生成器,得到目标翻译图像;获取目标域图像,将目标域图像和目标翻译图像输入到预先构建并训练好的含有生成式自我注意机制的多尺度判别器,判断目标翻译图像是否为真实图像。本发明主要应用于无监督图像翻译领域,解决了现有无监督图像翻译方法的准确性比较低的问题,有效提高了翻译图像的图像质量。
主权项:1.一种基于生成式自我注意机制的无监督图像翻译方法,其特征在于,包括以下步骤:获取待翻译图像,将待翻译图像输入到独立编码器,对待翻译图像进行图像预处理,得到待翻译图像的DSI深浅信息空间,进而得到组合和叠加后的DSI深浅信息空间;将组合和叠加后的DSI深浅信息空间输入到预先构建并训练好的含有生成式自我注意机制的生成器,得到待翻译图像对应的目标翻译图像;获取目标域图像,将目标域图像和目标翻译图像输入到预先构建并训练好的含有生成式自我注意机制的多尺度判别器,判断目标翻译图像是否为真实图像,使生成器生成接近目标域的图像;构建含有生成式自我注意机制的生成器的步骤包括:构建生成式自我注意机制模块,将生成式自我注意机制模块嵌入到生成器中的残差层模块与上采样层模块之间,得到含有生成式自我注意机制的生成器;构建含有生成式自我注意机制的多尺度判别器的步骤包括:将生成式自我注意机制模块插入到多尺度判别器的下采样层模块之前,得到含有生成式自我注意机制的多尺度判别器;所述含有生成式自我注意机制的生成器包含下采样层模块、修改后残差块模块、生成式自我注意机制模块和上采样层模块;得到待翻译图像对应的目标翻译图像的步骤包括:将组合和叠加后的DSI深浅信息空间输入到预先构建并训练好的含有生成式自我注意机制的生成器中的下采样层模块,得到组合和叠加后的DSI深浅信息空间的编码特征映射;修改多尺度判别器的残差块,将编码特征映射输入到生成器中的修改后残差块模块,得到原始域特征图像;将原始域特征图输入到生成器中的生成式自我注意机制网络,得到的原始域特征图像的特征信息;将原始域特征图像的特征信息输入到生成器中的上采样层模块,得到待翻译图像对应的目标翻译图像,所述目标翻译图像为目标翻译图像对应的目标域的特征映射转换而成的合成图像;对待翻译图像进行图像预处理的步骤包括:对待翻译图像进行卷积化处理,提取待翻译图像的图像特征,再对待翻译图像的图像特征进行采样后合并隐藏向量,通过卷积运算再次提取待翻译图像的特征信息,所述特征信息为DSI深浅信息空间。
全文数据:
权利要求:
百度查询: 河南大学 一种基于生成式自我注意机制的无监督图像翻译方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。