生成器

摘要： 图像修复是图像处理的一个重要问题,目的是利用计算机视觉技术自动恢复退化图像中损坏或丢失的部分,被广泛应用于影视特技制作、图像编辑、数字化文物保护等领域。近几年,以生成式对抗网络(GAN)为代表的深度学习技术在计算机视觉和图像处理领域大获成功,基于GAN的图像修复逐渐成为主流,受到了广泛关注。针对图像修复的关键问题,文章对GAN和基于GAN的修复方法进行理论分析,首先整理分析了传统的基于人工特征的经典图像修复方法,其次总结了近年来基于GAN的代表性图像修复算法,并进行归纳分类,探讨了各类方法的特点和局限性。然后对图像修复模型常用的评价指标和公开数据集进行整理和分析,最后阐述了图像修复面临的挑战,对图像修复技术未来的发展方向进行展望。

摘要： 图像去噪是一项具有挑战性的任务,其目的是去除附加噪声并保留所有有用信息。现有的方法主要集中在最小化均方误差(MSE),这会导致去噪图像丢失重要细节或在纹理丰富的区域变得过于平滑。因此论文引入生成对抗网络(GAN)用于图像去噪。论文的生成器采用SRDenseNet,很好地缓解了网络梯度易消失的问题,同时感知损失的引入使得对于人眼敏感的图像细节能得到很好的恢复。实验结果表明,论文方法在去噪过程中对细节的保留优于现有的去噪方法。与目前最先进的的去噪方法相比,论文方法得到的去噪结果更清晰,同时蕴含更多的细节。

摘要： 机器学习中数据缺失很普遍,导致数据缺失的因素通常有人为失误、数据处理软件的缺陷、获取数据的传感器错误等。数据缺失会导致机器学习的性能下降,因此缺失值的填补对机器学习任务变得格外重要。针对数据缺失问题,该文提出一种新颖的缺失数据填补方法,构建了一个生成对抗填补网络(简称GAIN)。GAIN主要包括生成器和判别器两个部分,其中生成器(G)用来观察真实数据的每一部分,然后根据观察的结果填补缺失数据的部分,输出一个填补后完整的向量;判别器(D)接受一个完整的向量,来判别哪一部分数据是真实的,哪一部分是被填补的。在4个UCI机器学习标准数据集和石油行业钻井液数据集间进行了实验,验证了GAIN方法的有效性,能提升机器学习任务的性能。

摘要： 为有效解决现有人脸妆容迁移方法训练数据缺乏,以及上妆区域错误等问题,提出了一种基于生成对抗网络的人脸妆容自动迁移方法。方法通过构建生成对抗网络目标函数,采用Encoder-Decoder神经网络生成对抗网络生成器,并基于多层卷积神经网络构建鉴别器,训练算法采用交替优化的方式。仿真实验和方法比对结果表明,该方法在保持素颜妆后图像脸部结构不变的同时,尽可能地体现了参考妆容风格,得到了更协调的上妆效果,具有更佳的对比优势和视觉效果,为人脸妆容自动迁移技术提供了新思路。

摘要： 图像超分辨率技术在遥感领域的应用越来越多,卷积神经网络(Convolutional neural network, CNN)在图像超分辨率任务方面取得了比传统方法更显著的改进。为了解决超分辨重建算法重建图像细节不清晰的问题,对基于对抗生成网络的超分辨重建算法进行了研究,以恢复接近人眼感知质量的超分辨重建图像。对抗生成网络分为生成器子模块和判别器子模块,生成器模块提取的低频图像特征在进入残差块前进行分组卷积,达到了降低参数量的目的。每3个残差块构成一个级联块,级联块通过级联的方式聚合不同级联块之间图像的特征,以实现信息流传递到更加深层的网络中,经过上采样完成生成器中的图像重建过程。判别器网络用于判别是否为生成器重建图像和真实的高分辨率图像,在真实高分辨率图像的判别过程中提高模型能力。同时,研究了加入感知损失对超分辨重建图像的影响,使重建图片纹理细节更加丰富。实验结果表明,重建图像的峰值信噪比较原来算法提高了0.48 dB,结构相似度提高了0.023,该模型在主观视觉评价和客观量化评估上有所提升。

摘要： 针对双碳目标下传统负荷预测模型难以捕捉数据内部时序特征导致负荷预测精度不高的问题,提出一种基于经验模态条件生成对抗网络(CGAN)的短期负荷预测模型。该模型在保留CGAN结构的基础上,首先使用经验模态分解(EMD)将历史负荷数据分解为多个经验模态分量,并采用多个长短期记忆(LSTM)神经网络作为生成器、卷积神经网络(CNN)作为判别器。然后,以分解后的经验模态分量为输入、负荷影响因素为条件对模型进行训练,使生成器能够输出精确的预测负荷数据。最后,以某地区配电网实际负荷数据对模型进行验证。试验结果表明,相比于其他基于深度学习的负荷预测模型,所提模型具有更小的预测误差。未来可将该方法应用于配电网调度中,以提高调度的安全性和经济性。

摘要： 图像修复技术是利用破损图像中未缺失区域信息,按照一定的修复规则,对图像中被污染或缺失的区域进行像素修补、填充.文章从目前常见的图像修复技术入手,分析比较传统的图像修复技术和基于深度学习的图像修复技术,结果认为基于深度学习的图像修复技术修复的图像在颜色和纹理等方面效果更好.

摘要： 为了提高跨视角步态识别的准确率,充分提取步态中的时间信息,提出了一种基于步态序列的跨视角步态识别模型,该模型利用编码器,并引入三元组损失函数,以此提取步态序列的特征,通过使用生成器与判别器,以及连续帧判别损失对编码器进行修正,确保提取具有时间信息的有效步态特征.针对CA-SIA-B数据集和OU-MVLP数据集,对提出的方法进行了实验研究,且与卷积神经网络和步态能量图方法进行了实验比较,验证了提出方法的有效性.

摘要： 针对图像降噪中降噪效果差、计算效率低的问题,提出了一种结合降噪卷积神经网络(DnCNN)和条件生成对抗网络(CGAN)的图像双重盲降噪算法.首先,使用改进的DnCNN模型作为CGAN的生成器来对加噪图片的噪声分布进行捕获;其次,将剔除噪声分布后的加噪图片和标签一同送入判别器进行降噪图像的判别;然后,利用判别结果对整个模型的隐层参数进行优化;最后,生成器和判别器在博弈中达到平衡,且生成器的残差捕获能力达到最优.实验结果表明,在Set12数据集上,当噪声水平分别为15、25、50时:所提算法与DnCNN算法相比,基于像素点间误差评价指标,其峰值信噪比(PSNR)值分别提升了1.388 dB、1.725 dB、1.639 dB;所提算法与三维块匹配(BM3D)、加权核范数最小化(WNNM)、DnCNN、收缩场级联(CSF)和一致性神经网络(CSNET)等现有算法相比,结构相似性(SSIM)评价指标值平均提升了0.0002～0.1041.实验结果验证了所提算法的优越性.

摘要： 针对目前图像修复中存在的大面积缺失、修复语义不连贯、纹理不清晰、分辨率低等问题,提出一种深度生成式对抗网络的超分辨率(deep super resolution generative adversarial network,DSRGAN)图像修复与重建方法.首先,提出改进的DenseNet网络结构作为生成器,提取图像生成的特征信息实现残损图像上下文信息的准确定位;其次,构建相对条件判别器,实现图像数据集的多方位数据梯度接收;再次,利用DenseNet网络与深度生成网络相结合,建立图像低维信息和高维信息之间的映射关系;最后,将DSRGAN与GCA、SI、PIC模型通过CelebA、Places2及残损纺织物3个数据集进行实验测试.结果 表明:残损图像经DSRGAN模型修复后的峰值信噪比和结构相似性具有明显的优势,峰值信噪比平均提高了2.57 dB、3.17 dB、5.89 dB;结构相似性平均提高了0.0835、0.1481、0.2641.

摘要： 气温要素是表征气象的热量指标，是气象信息服务的基本要素之一。大多数气象部门利用Micaps 文本格式的气温数据做分析和处理，以等温线形式显示空间化的气温数据，但不利于非专业人士使用，对于公众来说，不需要了解气温数据格式和专业软件操作，只需要可视化的气温信息和通过网络获取公共气象服务。因此，气温数据由专业气象数据格式转换成公共信息服务的数据格式就成为难题。本文的主要工作是公共气象信息服务的一个核心模块的实行方法：气温数据分析与空间化的KML 生成器，通过数据处理和空间分析，将文本格式的气温数据转换成KML 格式的文件。我们称这个软件包为面向气温数据分析的KML生成器。其中，KML生成器引擎将文本格式的气温数据转换成shapefile 格式，通过加入气温垂直递减率对气温的影响，将气温数据进行空间插值，生成空间化的气温数据，并将其转换成KML 文件。通过生动的用户界面以及灵活的可视化方案，专业和非专业用户都能处理和分析气温数据。因此，面向气温数据分析的KML 生成器提供了直观的气温数据分析和可视化支持，为公共气象服务、专业气象服务和决策气象服务的发布提供了高效实用的手段。

摘要： 由于数据流研究的特殊性,在算法测试过程中通常都要用到大量的人工生成数据。随着对多层次数据流研究的发展,传统的人工数据流生成器变得难以满足要求。本文提出了一种两阶段的方法用于生成包含层次信息的数据流,第一阶段通过用户参数构造层次结构,第二阶段使用模拟随机变量抽取层次结构中的数据项。进而构造出满足特定分布的层次数据流。该人工层次数据流生成器不但可以按照用户要求生成基于多种概念层次的多维数据流,也兼容了一般数据流生成器的功能。

摘要： 论文论述了一个基于随机测试程序生成器的包括体系结构模拟器等软件在内的微处理器自动验证平台.该平台能够根据用户的输入灵活地采用不同的初始状态、测试范围等;同时可以在生成过程中跟踪每一条语句执行后的CPU状态.该测试平台具有高效、代码覆盖率高、移植性好等特点,能够覆盖我们在使用其它验证方法时发现的绝大部分问题.

摘要： 该文结合集成化专用管理生成器设计实践，对专用生成器设计技术进行较详细探讨和说明。

摘要： 对GPS导航定位系统中C/A码产生原理、C/A码的作用作了简单阐述,并对其产生的方法做了探讨,最后提出利用DSP来实现C/A码生成器.

摘要： 一种布置结构(1)，包括用于车辆制动器的制动力生成器(2)、操作单元(3)、蓄压器(4)和制动管路(5a)，该制动管路连接操作单元(3)与制动力生成器(2)，其中，所述制动力生成器(2)具有带有行车制动功能和停车/驻车制动功能的制动缸(9)。制动缸(9)设有停车/驻车制动功能的驻车控制器(10)，其中，所述驻车控制器(10)与制动缸(9)的制动管路(5a)连通。一种制动力生成器(2)和一种用于行车制动力生成器(2)的方法。

摘要： 本发明涉及气雾生成器和气雾生成器的用途。所述气雾生成器所述气雾生成器包括连接到电源的加热元件，所述加热元件是金属丝网。根据本发明，该气雾生成器可以用于产生调味的气雾或香味气雾。

摘要： 公开了用于图像生成器的数据片生成器。本文描述了一种数据片生成器电路。所述数据片生成器包括电子电路以从图像数据帧接收包括多行数据的图像数据的线组。所述多行在数量上足以包含多个相邻的重叠模版。所述电子电路将所述线组解析成较小尺寸的数据片。所述电子电路将所述数据片加载到具有被耦合至处理器阵列的二维移位阵列结构的数据计算单元中。

摘要： 本文描述了一种数据片生成器电路。所述数据片生成器包括电子电路以从图像数据帧接收包括多行数据的图像数据的线组。所述多行在数量上足以包含多个相邻的重叠模版。所述电子电路将所述线组解析成较小尺寸的数据片。所述电子电路将所述数据片加载到具有被耦合至处理器阵列的二维移位阵列结构的数据计算单元中。

摘要： 提供一种命令窗口生成器和一种具有命令窗口生成器的存储器装置。所述命令窗口生成器被配置为：通过使用写入路径电路和写入路径复制电路，通过将输入到写入路径电路的时钟信号与输出到写入路径复制电路的时钟信号之间的延迟时间转换为内部时钟信号的周期数来生成延迟信号，并且使用延迟信号来生成命令窗口以对应于数据窗口。延迟窗口可以对应于写入数据的突发长度。

摘要： 本发明实施例提供一种动态密码生成器及基于动态密码生成器的认证装置，该动态密码生成器包括：一外壳、位于所述外壳内的电路板、扬声器及位于所述外壳表面的耳机孔；所述电路板上集成有微处理器和语音芯片；所述扬声器与所述电路板电性连接；所述外壳表面开设有对应于所述扬声器的出声孔；其中，所述微处理器用于生成动态数字密码；所述语音芯片用于将所述动态数字密码转换为声音信号或第一声波信号，并通过所述扬声器传输出去。

摘要： 一种布置结构(1)，包括用于车辆制动器的制动力生成器(2)、操作单元(3)、蓄压器(4)和制动管路(5a)，该制动管路连接操作单元(3)与制动力生成器(2)，其中，所述制动力生成器(2)具有带有行车制动功能和停车/驻车制动功能的制动缸(9)。制动缸(9)设有停车/驻车制动功能的驻车控制器(10)，其中，所述驻车控制器(10)与制动缸(9)的制动管路(5a)连通。一种制动力生成器(2)和一种用于行车制动力生成器(2)的方法。

摘要： 提供了脉冲生成器和包括脉冲生成器的图像传感器。所述图像传感器包括：计数码生成器，被配置为生成计数码；像素阵列，包括至少一个像素；相关双采样(CDS)电路，被配置为：将从所述至少一个像素输出的像素信号的大小与斜坡信号的大小进行比较，并且输出对应的比较信号；脉冲生成器，被配置为基于比较信号生成与第一时钟信号同步的脉冲信号；以及计数器电路，被配置为：基于脉冲信号，对与比较信号的电平的转变对应的计数码的值进行锁存。

摘要： 一种用于雪生成器的分配组件，包括具有沿着纵向轴线(A1)延伸的圆形开口(5)的固定结构(4)；沿着纵向轴线(A1)延伸的转子(6)，该转子具有在圆形开口(5)处的一个自由端部(7)，并被构造为围绕旋转轴线旋转，旋转轴线优选与纵向轴线(A1)重合；以及水供应组件(10)，该水供应组件被构造为在转子(6)的自由端部(7)处在固定结构(4)内以给定压力供应水；转子(6)的自由端部(7)与固定结构(4)的圆形开口(5)联接，以与固定结构(4)一起界定出被构造为将雾化水射流朝向分配组件(2)的外部引导的环形间隙。

摘要： 本申请提供一种基于门控网络的生成器、生成器训练方法和避免图像坐标粘连方法。所述生成器通过图像输入层将待处理图像处理为图像序列，并将图像序列输入至特征编码层，由多层特征编码层使用门控卷积网络对图像序列进行编码，得到图像编码。并由多层图像解码层使用逆门控卷积单元对图像编码进行解码处理，得到目标图像序列，最后由图像输出层将目标图像序列进行拼接处理，以得到的目标图像。待处理图像在经过上述门控卷积网络和逆门控卷积网络的处理后，所得到的目标图像中的人物特征更加明显，使所生成数字人的面部图像细节更加生动，解决现有生成器通过生成对抗网络生成的数字人图像出现的图像坐标粘连问题，提高了用户体验。