计算机视觉应用开发 第4章 图像增强.pptVIP

* * * * * * * * * * * * * * * * * * * * 1 基于GAN的图像增强 UEGAN：基于GAN的无监督图像增强 无监督的图像增强生成对抗网络（UEGAN），该网络以无监督的方式从一组具有所需特征的图像中学习相应的图像到图像的映射，而不是学习大量的成对图像。模型基于单个深度GAN，它嵌入了调制和注意力机制以捕获更丰富的全局和局部特征。 基于该模型，引入了两种损失来处理无监督图像增强： （1）保真度损失，其定义为预训练VGG网络的特征域中的L2正则化，以确保增强图像之间的内容 （2）质量损失，它被定义为相对hinge adversarial loss，以赋予输入图像所需的特性。定量和定性结果均表明，该模型有效地提高了图像的美学质量。 2 Autoaugmentation Autoaugmentation Autoaugment是Google提出的自动选择最优图像增强方案的研究，这是无监督图像增强的重要研究方向。它的基本思路是使用增强学习从数据本身寻找最佳图像变换策略，对于不同的任务学习不同的增强方法，流程如下： (1) 准备16个常用的数据增强操作。 (2) 从16个中选择5个操作，随机产生使用该操作的概率和相应的幅度，将其称为一个sub-policy，一共产生5个sub-polices。 (3) 对训练过程中每一个batch的图片，随机采用5个sub