5篇关于风格迁移的计算机毕业论文

今天分享的是关于风格迁移的5篇计算机毕业论文范文, 如果你的论文涉及到风格迁移等主题,本文能够帮助到你

基于深度学习定量光声层析成像的组织吸收系数重建

这是一篇关于定量光声层析成像,吸收系数,深度学习,风格迁移,活体小鼠成像的论文, 主要内容为光声层析成像技术可提供高光学对比度,高空间分辨率的生物组织图像,在光学功能成像研究中展现出巨大的发展潜力。传统光声层析成像重建的初始声压是吸收系数和光子密度分布共同作用的结果,由于深层组织中光子密度分布不均匀,使其无法准确地反映生物组织的光学特性。近年来,深度学习凭借其模拟复杂算法的强大能力,在生物医学成像领域研究中取得了优于传统算法的成果。为了更加快速和准确地获得与生物组织体生理和病理特性有关的吸收系数图像,本文对基于深度学习的定量光声层析成像(Quantitative Photoacoustic Tomography,QPAT)方法展开研究。传统QPAT方法通过求解光学逆问题来重建深层组织吸收系数的分布图像。但是,光学逆问题的非线性和不适定特征造成现有求解方法计算复杂,准确度受诸多因素影响。因此,本文发展基于深度神经网络的QPAT方法来提高吸收系数图像的重建精度。根据QPAT的数理模型创新性地提出了双通路网络模型(Dual-Path Network,DP-Net),通过吸收系数、光子密度和初始声压的特征构造三重损失函数用于优化神经网络参数。数值模拟结果证明,相较于传统的U-Net基于DP-Net的QPAT方法重建的高空间分辨率吸收系数图像具有更高重建精度。在生物医学应用中,获取深层组织特别是活体组织吸收系数的真实值是十分困难的,因此很难构造大量的带标签实验数据集用于QPAT神经网络训练。本文基于无监督循环一致性生成对抗网络(Cycle-consistent Generative Adversarial Network,Cycle GAN)提出适用于生物医学应用扩展的数据域转换方法。将模拟的初始声压图像转换到实验数据域,结合已知的吸收系数分布图像可以生成带有标签的“实验数据集”用于QPAT网络训练。通过数值模拟和仿体实验结果的对比,验证了数据风格迁移网络产生有标签“实验数据集”的可行性。最后,将DP-Net与基于CycleGAN的数据域转换方法相结合得到可以在实际应用场景中定量重建深层组织吸收系数的QPAT-Net,并开展一系列实验对其性能进行验证。仿体实验证明QPAT-Net能重建高结构保真度和高定量准确度的吸收系数结果;离体组织实验验证其在实际应用中重建深层组织吸收系数的可行性;活体小鼠实验显示其具有应用于预临床研究的发展潜力。QPAT-Net方法为基于深度学习的生物医学成像问题提供了新的研究思路。

基于生成对抗网络的软件原型自动生成系统设计与实现

这是一篇关于软件原型,生成对抗网络,布局生成,风格迁移,轻量化的论文, 主要内容为软件原型设计在软件开发过程中尤为重要,然而目前市面上的软件原型开发工具没有脱离人工的模式,存在门槛高、效率低的问题。本文面向这一问题,将生成对抗网络应用于软件原型开发工作,实现软件原型自动生成方案,为该工作降本增效。(1)为解决软件原型自动生成问题,本文提出一种基于LayoutGAN的软件原型布局自动生成算法,通过对损失函数的改进解决了 LayoutGAN生成布局质量不佳和模式崩溃的问题,实现了软件原型布局的自动生成。(2)为满足用户对高保真软件原型的需求,本文提出一种基于CycleGAN的软件原型保真度提升模型,通过条件生成对抗网络压缩框架在维持图像质量的前提下降低了模型的体积,提高了模型的转换速率,解决了 CycleGAN模型文件体积大,转换速率低的问题,实现了非成对训练集下由软件原型线框图到高保真软件原型图的转换。(3)为满足用户对软件原型质量的更高需求,本文提出一种基于Pix2pix的软件原型保真度提升模型,采用鉴别器协作蒸馏方案实现了模型在存储和计算规模上的轻量化,解决了 Pix2pix对存储和计算资源需求大的问题,同时也提高了生成图像的质量,实现了成对数据集下由软件原型线框图到具有更高保真度的软件原型图的转换。(4)在上述三项研究的基础上,本文设计并实现了软件原型自动生成系统,在满足用户软件原型开发需求的基础上为用户提供软件原型自动生成和软件原型保真度提升两项智能化服务,以提高软件原型开发效率。

基于生成对抗网络的图像风格迁移算法研究

这是一篇关于神经网络,风格迁移,循环一致性生成对抗网络,残差块的论文, 主要内容为图像风格迁移问题是计算机视觉领域热点问题,传统图像风格迁移算法生成的图像纹理有限,不能满足工业界的实际需求,而基于神经网络的图像风格迁移算法可以实现任意图像风格的迁移,但是需要成对的数据集。循环一致性生成对抗网络(Cycle-Consistent generative adversarial networks,Cycle GAN)打破了风格迁移任务中成对数据集的限制。但是Cycle GAN对图像进行风格迁移的过程中存在迁移不充分以及内容信息丢失的情况。因此,本文对Cycle GAN的模型展开研究并进行改进,具体工作如下:(1)本文在研读大量图像风格迁移相关文献的基础上,对图像风格迁移领域中经典算法的原理和理论基础进行了介绍。此外,重点介绍生成对抗网络和相关衍生模型的原理,从这些衍生模型中受到启发,并为本文的改进模型提供依据。(2)为了提高生成图像的质量,本文提出了一种改进的Cycle GAN算法。改进的Cycle GAN算法沿用Cycle GAN算法的思想,首先对Cycle GAN的生成器进行改进,引入U-Net网络作为生成器的主架构,并在U-Net网络的底层加入9个残差块,残差块之间加入跳跃连接,这使得生成器对特征的提取和转化更加充分。然后,使用两个判别器构成判别网络,提高了判别网络的准确性。最后,使用具有梯度惩罚项的Wasserstein距离代替了原Cycle GAN的对抗损失函数,并且引入身份损失函数(identity loss),从而提高了网络的整体性能。

雾霾环境下基于联合优化网络的车牌识别技术

这是一篇关于车牌识别,图像去雾,超分辨率重建,风格迁移,深度学习的论文, 主要内容为车牌识别技术(Vehicle License Plate Recognition,VLPR)是指能够检测到受监控道路的车辆并自动提取出车牌信息的技术。该技术极大地方便了道路交通管理工作,是实现智能交通系统的核心技术之一。该技术应用场景十分广泛,例如停车场管理、高速公路收费站监控以及城市交通监管等。然而,车牌识别技术的稳定性往往很容易受到恶劣极端天气(雾霾、暴雨、沙尘暴等)的干扰,导致识别精度大幅度降低。本文针对雾霾环境下的车牌识别问题,开展了基于联合优化与级联架构方案的研究工作。本文首先调研了图像去雾领域及深度学习的相关知识,为级联架构中各部分的模型设计奠定了理论基础。其次,分析了该技术工业落地所面临的困难与挑战,为实际应用中的优化方案提供了指导方向。最后,依据上述理论知识与问题分析结论,提出了一个基于联合优化与级联架构的雾霾环境车牌识别技术框架。为了获得雾霾环境下分辨率更高的道路图像,本文首先将图像去雾算法放置在级联架构的首部,提出了一种基于雾浓度细化的预处理去雾算法,该算法使用局部大气光值代替全局大气光值,生成更精细的透射图。此外,考虑到图像去雾预处理方法中参数估测带来的误差累积以及为了综合优化车牌的识别效果,本文还采用了深度去雾和车牌目标检测联合优化的思想,在级联架构的目标检测模块中嵌入了图像细化和去雾过程,并提出了基于卷积神经网络的深度去雾和车牌区域提取的联合优化模型(A Joint Further-dehazing and Region-extracting Model,JFRM),该模型可以显著减少累积误差导致的图像复原失真现象,可以协同提高最终的车牌检测效果。然后,对于检测得到的车牌区域进行超分辨率重建,以避免运动模糊对后续字符识别的影响,最终通过字符识别技术得到车牌字符。通过实验可证明级联架构中各部分模型的可行性,以及最终对雾霾环境下车牌识别准确率的正向作用。从工业落地角度出发,上述级联架构中图像去雾模块稳定性仍较差,可能出现自然雾霾环境的去雾表现低于实验结果的情况。针对实用性方面的挑战,本文提出了基于Cycle-GAN风格迁移的去雾网络Dehaze Cycle Net。该网络使用不成对的真实自然图像(包括自然雾霾图像和自然无雾图像)替代实验所使用的成对图像(包括合成雾霾图像和自然无雾图像)进行无监督训练,提高去雾网络在真实环境下的泛化能力,极大地提升了模型的实用性和环境适应能力。最后,基于以上研究成果,本文还实现了一个雾霾环境车牌识别的原型系统。该系统依托C/S架构开发以及Vue框架,实现了雾霾环境车牌识别输出功能以及独立的图像去雾功能。结果表明,原型系统在提供可视化交互界面的同时,对应用户的数据信息也得到有效的管理,方便用户后期的查询以及导出工作。本文利用联合优化与级联架构的方案来实现雾霾环境下的车牌识别技术,大大提高了雾霾环境下的车牌识别准确率。但从网络复杂度以及前向推理时间角度来看,级联架构的方案会面临工业实时性要求的挑战。因此未来工作中需要加入模型压缩方面的考虑,以便实现实时应用程序的落地。