典型文献
基于高斯特征均衡的改进图像修复模型
文献摘要：
图像修复是指利用图像的已知区域信息去重建图像或视频的未知区域的过程.在过去基于深度学习的图像补全网络,采用基于自编码的双阶段修复模型,如Deepfill网路,并在第二阶段加入基于注意力机制的内容注意力模块提高修复水平,但整体修复效果容易出现伪影,模糊,边缘结构不清等问题,后续不少论文根据此问题,通过提高特征提取的效率来改进算法,但增加了运算量并使算法复杂化.本文章针对这个问题提出了一种基于特征均衡的改进内容注意力模块.该模块在不引入其他权重的前提下,提高模型整体修复效果.改进的内容注意力模块的通过特征均衡使前景像素点不仅能获取当前分数最大的背景块建议,同时能获得周围背景块的建议,使最终生成图像在结构表现上更平滑,语义更统一,减少了生成的图像模糊和伪影.实验在CelebA-HQ和Paris数据集上与另外两种模型进行了数值对比.本文模型在CelebA-HQ数据集对小面积掩码(<20％)的修复实验中平均SSIM值达到了90.2％,平均PSNR值达到了34.79dB;在较大面积掩码(40％-50％)的任务中,本文的算法在平均L1误差和L2误差均优于其他两种算法,平均PSNR为28.0dB,平均SSIM为86.74％.通过对修复图像的直观比较,加入基于高斯分布的特征融合模块能够生成结构更清晰,伪影更少的图像.综上,本文所提出的改进算法能够解决一定的模糊、伪影问题,同时没有增加额外的模型权重.
文献关键词：
图像修复;深度学习;生成对抗网络;注意力机制;特征融合
中图分类号：
作者姓名：
李维
作者机构：
西南交通大学,成都611730
文献出处：
引用格式：
[1]李维-.基于高斯特征均衡的改进图像修复模型)[J].价值工程,2022(18):101-104
A类：
Deepfill,79dB
B类：
高斯特,图像修复,区域信息,重建图像,图像补全,全网,自编码,双阶段,网路,第二阶段,注意力机制,注意力模块,复水,修复效果,伪影,边缘结构,改进算法,运算量,景像,像素点,终生,成图,结构表现,CelebA,HQ,Paris,小面积,掩码,中平,SSIM,PSNR,L1,L2,0dB,高斯分布,特征融合模块,生成结构,增加额,模型权重,生成对抗网络
AB值：
0.417021
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。
