基于改进DeepLabv3+与CycleGAN的图像风格迁移研究

扫码查看

原文链接

NETL
NSTL
万方数据
维普

中文摘要：CycleGAN的优势就是在没有成对训练集的情况下将图像从原目标区域迁移到目标区域，但其泛化能力较弱，针对CycleGAN无法在图像风格迁移时仅对所需目标进行迁移和DeepLabv3+模型和参数量过大的问题，本文提出了一种结合改进DeepLabv3+网络和CycleGAN的局部图像迁移方法。先使用DeepLabv3+网络对图像进行语义分割，再将分割出来的目标与迁移图像进行匹配，将得到的迁移图像转回到原图像中，实现对局部图像的迁移。在DeepLabv3+模型中使用MobileNetV2 代替主干网络，使用WASP网络代替ASPP网络降低了模型体积，减少了参数量，提高检测速度。采用相似性SSIM与峰值信噪比PSNR作为迁移图像评估指标，对迁移后的效果进行评估。实验表明，使用改进DeepLabv3+网络和Cy-cleGAN的局部图像迁移方法能够提高风格迁移质量，拥有更好的视觉效果。

作者：

司周永、王军号

展开 >

作者单位：

安徽理工大学计算机科学与工程学院, 安徽淮南 232001

关键词：

图像风格迁移循环一致性生成对抗网络 DeepLabv3+ 轻量级卷积神经网络

基金：

国家自然科学基金

项目编号：

61300001

出版年：

2024

赤峰学院学报(自然科学版)

赤峰学院

赤峰学院学报(自然科学版)

影响因子：0.353

ISSN：1673-260X

年,卷(期)：2024.40(4)

参考文献量16