基于GANs和迁移学习的人脸表情生成方法研究

摘要

生成对抗网络(GANs)自2014年被提出以来,被广泛应用在文本、图像等领域,并对其进行生成方面的研究.但是最近的研究发现,生成对抗网络在有限样本的情况下无法取得好的生成效果,产生过拟合等问题.为了解决这个问题,本文提出了一种利用迁移学习和改变网络结构相结合的方法.与传统的迁移学习不同的是,在对源网络卷积层进行迁移过程的同时,引入AdaFM模块并用Style Blocks替换生成器前两层,使迁移后参数更好地适应目标网络,从而提升在小样本的情况下的生成效果并降低结构复杂度,加快训练速度.本文分别使用CelebA人脸数据库和RaFD人脸表情数据库作为源任务和目标任务的训练数据对该算法进行测试.测试结果表明,所采用的方法在有限样本的条件下,能够使图片具有更好的生成效果.