使用条件生成对抗网络的自然图像增强方法

自然图像增强是计算机视觉领域中的一个研究热点. 针对以往图像增强方法计算过程复杂和参数需手工设置等缺陷,提出一种基于条件生成对抗模型的图像增强(enhancement with conditional generative adversarial networks,E-CGAN)方法. 分别构建生成式神经网络和判别式神经网络,其中,生成模型直接对图像进行处理生成最终增强的图片结果,判别模型在训练阶段对生成模型构建对抗型损失函数,优化生成模型的参数. 在生成模型的结构中,加入L1距离误差函数作为生成模型的约束,并提出连续多尺度跨层连接方式,加快网络的训练速度,提高生成模型的准确率. 在图像清晰度增强,灰度图像着色两个图像增强问题上进行实验,结果表明,E-CGAN可以有效地保留图像特征,PSNR和SSIM质量平均提高9%和5%