基于双边特征金字塔网络与多尺度鉴别的本质图像分解方法研究

摘要

针对本质图像分解任务，本发明提出了一种并行局部分频选择的重构方法，可实现对反射图和光照图的准确重构。本质图像分解是一个欠约束问题。基于编解码网络的本质图像重构提供了一个有效的解决方案，但该方案的结果仍存在不足，因此，需要对各个频段的信息做更加精准的选择才能获得更加准确的分解结果。本发明提出的网络结构将两个并行的生成对抗网络作为主体网络，分别对反射图和光照图进行重构。针对生成网络，本发明提出了局部分频特征融合的策略，分别实现对高频反射特征和低频光照特征的选择和保留。同时，本发明在鉴别器中加入了多尺度的自适应组合模块，对多尺度特征的贡献进行自适应评估，强化鉴别效果并提升生成效果。进一步，本发明构建了多种损失函数来约束生成结果并促进网络的训练。本发明所提算法在多种数据集上都表现优异。在MPI‑Sintel数据集中，本发明相比其他方法的最优结果的重构均方误差降低了13.26％；在ShapeNet数据集中，本发明相比其他方法的最优结果的重构均方误差降低了26.09％。