典型文献
PSWGAN-GP:改进梯度惩罚的生成对抗网络
文献摘要：
生成对抗网络的出现对解决深度学习领域样本数据不足的研究起到了极大的促进作用.为解决生成对抗网络生成的图像出现轮廓模糊、前景背景分离等细节质量问题,提出一种改进梯度惩罚的Wasserstein生成对抗网络算法(PSWGAN-GP).该算法在WGAN-GP的Wasserstein距离损失和梯度惩罚的基础上,在判别器中使用从VGG-16网络的3个池化层中提取的特征,并通过这些特征计算得出风格损失(Style-loss)和感知损失(Perceptual-loss)作为原损失的惩罚项,提升判别器对深层特征的获取和判别能力,对生成图像的细节进行修正和提升.实验结果表明,在生成器和判别器网络结构相同,并保证超参数相同的情况下,PSWGAN-GP的IS评分和FID评分相对于参与对比的其他图像生成算法有所提升,且可有效改善生成图片的细节质量.
文献关键词：
深度学习;梯度惩罚的Wasserstein生成对抗网络;VGG-16网络
中图分类号：
作者姓名：
陈云翔;王巍;宁娟;陈怡丹;赵永新;周庆华
作者机构：
长沙理工大学物理与电子科学学院,湖南 长沙 410114
文献出处：
引用格式：
[1]陈云翔;王巍;宁娟;陈怡丹;赵永新;周庆华-.PSWGAN-GP:改进梯度惩罚的生成对抗网络)[J].计算机与现代化,2022(04):21-26
A类：
PSWGAN
B类：
GP,梯度惩罚,生成对抗网络,学习领域,背景分离,Wasserstein,网络算法,判别器,VGG,池化,特征计算,Style,loss,感知损失,Perceptual,深层特征,成图,生成器,超参数,IS,FID,图像生成,生成算法
AB值：
0.287002
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
