基于多判别器协作的图像生成方法及系统

技术特征：
1.基于多判别器协作的图像生成方法，其特征在于，包括步骤：采集获取真实图像初始集，对真实图像初始集进行预处理后得到真实图像数据集；构造生成器网络和判别器网络，判别器网络由多个初始化方法与学习率不同的判别器构成；采样高斯白噪声输入至生成器网络获得生成图像集；基于生成图像集，从真实图像数据集中获取等数量的真实图像，拼接真实图像与生成图像并将其送入各判别器得到各判别结果；将各判别结果进行求取平均值获得联合损失函数，通过梯度归一化法对联合损失函数进行梯度约束，得到归一化损失函数，通过归一化损失函数计算判别器损失函数与生成器损失函数并进行判别器网络和生成器网络的参数更新，直至获得最优的生成器网络；最后通过最优的生成器网络生成图像。2.如权利要求1所述的基于多判别器协作的图像生成方法，其特征在于，多个判别器的判别结果进行取平均值获得联合损失函数，通过梯度归一化方法对联合损失函数的梯度进行约束，得到归一化后的损失函数，根据该损失函数分别计算确定生成器网络和判别器网络的wasserstein损失函数，两个损失函数通过反向传播分别对判别器和生成器的网络参数进行更新。3.如权利要求1所述的基于多判别器协作的图像生成方法，其特征在于，通过交叉训练法训练生成器网络和判别器网络；在更新生成器的参数时冻结所有判别器的参数，或更新判别器的参数时冻结生成器的参数，当每个判别器的网络参数都更新五次之后再更新一次生成器的参数。4.如权利要求1或2所述的基于多判别器协作的图像生成方法，其特征在于，所述判别器网络的归一化损失函数如下式所示：判别器网络的损失函数的梯度范数有界，证明如下：在梯度归一化方法的约束之下，的梯度范数取值范围为[-1,1]。
5.如权利要求1所述的基于多判别器协作的图像生成方法，其特征在于，所述生成器网络和判别器网络的损失函数分别如下式：络和判别器网络的损失函数分别如下式：其中，l
g
为生成器网络的损失函数，l
d
判别器网络的损失函数；m为批容量大小，x为真实图像样本，z为满足多元高斯分布的噪声向量，g(z
i
)为生成器接收输入的噪声向量z
i
后生成的生成图像。6.基于多判别器协作的图像生成系统，其特征在于，包括图像采集及处理单元：用于采集获取真实图像初始集，对真实图像初始集进行预处理后得到真实图像数据集；图像生成单元：用于通过训练好的生成器网络生成图像；图像生成单元包括生成器网络构造模块：用于构造生成器网络；判别器网络构造模块：用于构造判别器网络，判别器网络由多个初始化方法与学习率不同的判别器构成；训练模块：采样高斯白噪声输入至生成器网络获得生成图像集；基于生成图像集，从图像采集及处理单元的真实图像数据集中获取等数量的真实图像，拼接真实图像与生成图像并将其送入各判别器得到各判别结果；将各判别结果进行求取平均值获得联合损失函数，通过梯度归一化模块对联合损失函数进行梯度约束，得到归一化损失函数，通过归一化损失函数计算判别器损失函数与生成器损失函数并进行判别器网络和生成器网络的参数更新，直至获得最优的生成器网络。7.如权利要求6所述的基于多判别器协作的图像生成系统，其特征在于，所述生成器网络的结构依次为线性层、三层相同的上采样残差网络模块、批归一化层、relu函数激活层、卷积层和tanh函数激活层。8.如权利要求6所述的基于多判别器协作的图像生成系统，其特征在于，所述判别器网络中各判别器的结构依次为一层能够更好保留背景信息的优化残差网络模块、三层相同的建立输入输出之间恒等映射的残差网络模块、relu函数激活层、一层二元自适应均值汇聚层和一层线性层。9.如权利要求6所述的基于多判别器协作的图像生成系统，其特征在于，所述判别器网络的归一化损失函数如下式所示：判别器网络的损失函数的梯度范数有界，证明如下：
在梯度归一化方法的约束之下，的梯度范数取值范围为[-1,1]。10.如权利要求6所述的基于多判别器协作的图像生成系统，其特征在于，所述生成器网络和判别器网络的损失函数分别如下式：网络和判别器网络的损失函数分别如下式：其中，l
g
为生成器网络的损失函数，l
d
判别器网络的损失函数；m为批容量大小，x为真实图像样本，z为满足多元高斯分布的噪声向量，g(z
i
)为生成器接收输入的噪声向量z
i
后生成的生成图像。

技术总结
本说明书实施例提供了一种基于多判别器协作的图像生成方法和系统，该方法包括采集获取真实图像初始集，预处理后得到真实图像数据集；构造生成器网络和判别器网络，噪声输入至生成器网络获得生成图像集；基于生成图像集和真实图像送入各判别器得到各判别结果并进行求取平均值获得联合损失函数，通过梯度归一化法对联合损失函数进行梯度约束，得到归一化损失函数，计算判别器和生成器的损失函数并进行判别器网络和生成器网络的参数更新获得最优的生成器网络；通过最优的生成器网络生成图像。本发明通过多个判别器的协作与梯度归一化方法，减轻了收敛不稳定和模式崩溃等GANs训练过程中的问题，提升了GANs生成图像的质量与多样性。样性。样性。


技术研发人员：高飞 韩旭 陈鹏辉 王俊 罗喜伶
受保护的技术使用者：北京航空航天大学杭州创新研究院
技术研发日：2022.06.09
技术公布日：2022/8/12