• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    耦合變分自編碼器及其在圖像對生成中的應(yīng)用

    2021-12-08 07:05:04侯瓔真翟俊海申瑞彩
    關(guān)鍵詞:元組編碼器人臉

    侯瓔真,翟俊海,2,申瑞彩

    1(河北大學(xué) 數(shù)學(xué)與信息科學(xué)學(xué)院,河北 保定 071002) 2(河北大學(xué) 河北省機(jī)器學(xué)習(xí)與計(jì)算智能重點(diǎn)實(shí)驗(yàn)室,河北 保定 071002) E-mail:mczjh@126.com

    1 引 言

    圖像生成是深度學(xué)習(xí)研究的一個(gè)重要領(lǐng)域,主流的生成技術(shù)是生成對抗網(wǎng)絡(luò)[1]和變分自編碼器[2].Goodfellow等提出的生成對抗網(wǎng)絡(luò)(GAN,Generative Adversarial Network)是一種隱式概率生成模型,GAN由生成器網(wǎng)絡(luò)和判別器網(wǎng)絡(luò)構(gòu)成,通過這兩個(gè)網(wǎng)絡(luò)的對抗學(xué)習(xí),實(shí)現(xiàn)用生成器網(wǎng)絡(luò)逼近圖像的分布,通過抽樣可生成似真的圖像.Radford等人[3]用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)生成器和判別器,提出了DCGAN(Deep Convolutional GAN),DCGAN用深度卷積神經(jīng)網(wǎng)絡(luò)以無監(jiān)督的方式學(xué)習(xí)圖像的特征,進(jìn)而生成高質(zhì)量的圖像.Yi[4]等人提出的DualGAN在原始的GAN模型基礎(chǔ)上開發(fā)了一種新型的雙重GAN機(jī)制,使圖像翻譯器可以從兩個(gè)領(lǐng)域的兩組未標(biāo)記圖像中進(jìn)行訓(xùn)練.在DualGAN中,原始GAN學(xué)習(xí)將域U中的圖像翻譯成域V中的圖像,而雙GAN學(xué)習(xí)將任務(wù)反轉(zhuǎn).原始任務(wù)和雙任務(wù)所做的閉環(huán)允許來自任一域的圖像被翻譯,然后重建.康云云等人[5]提出一種基于改進(jìn)生成對抗網(wǎng)絡(luò)的法律文本生成模型ED-GAN,該模型將案情要素的關(guān)鍵詞序列編碼成隱含層向量,并結(jié)合各時(shí)間步的輸出生成文本序列,最后采用CNN網(wǎng)絡(luò)來鑒別真假文本的差距,該模型的出現(xiàn)為法律文本的自動(dòng)生成提供了新思路.Karras等人[6]提出了一種稱為StyleGAN的生成對抗網(wǎng)絡(luò),他們將風(fēng)格遷移至生成器網(wǎng)絡(luò)中,StyleGAN生成的人臉圖像能夠自動(dòng)地進(jìn)行姿勢和風(fēng)格轉(zhuǎn)換.在StyleGAN的基礎(chǔ)上,Abdal等人[7]提出一種稱為Image2StyleGAN的生成對抗網(wǎng)絡(luò),Image2StyleGAN能夠?qū)⒁环o定的圖像嵌入到StyleGAN的潛在空間中.Larsen等人[8]將VAE(Variational Auto-Encoder)和GAN合并為一個(gè)無監(jiān)督生成模型,同時(shí)學(xué)習(xí)編碼、生成和測量樣本相似性.通過學(xué)習(xí)編碼器網(wǎng)絡(luò)能夠生成視覺逼真的圖像.石志國等人[9]通過對棧式自編碼器深度學(xué)習(xí)算法進(jìn)行研究,提出了一種深度學(xué)習(xí)降維信息損失度量方法,為深度學(xué)習(xí)算法的改進(jìn)提供了數(shù)據(jù)支撐.Bao等人[10]提出了一種將變分自編碼器與生成對抗網(wǎng)絡(luò)相結(jié)合的通用框架CVAE-GAN,用于合成細(xì)粒度類別的圖像.在CVAE-GAN中,將圖像建模為一個(gè)概率模型中標(biāo)簽和潛伏屬性的組成,通過改變輸入到生成模型中的細(xì)粒度類別標(biāo)簽,可以在特定類別中生成具有隨機(jī)抽取的潛伏屬性向量值的圖像,能夠生成真實(shí)的、具有細(xì)粒度類別標(biāo)簽的多樣化樣本.一般而言,從已有的邊緣分布中得出的聯(lián)合分布有多種,Liu等人[11]提出了一種“共享潛在空間”的假定,假設(shè)不同域中的對偶圖像可以映射到共享潛在空間中的相同潛伏對象.基于這個(gè)假設(shè),作者提出了基于GAN和VAE的無監(jiān)督圖像轉(zhuǎn)換的框架UNIT.Tan[12]針對單幅圖像去霧算法無法有效處理天空區(qū)域的問題提出了一種天空識別的改進(jìn)暗通道先驗(yàn)去霧算法,該算法不僅能對圖像中的景物和天空進(jìn)行準(zhǔn)確的去霧處理,而且還顯著的減少了運(yùn)行時(shí)間.從這些工作可以看出,在圖像生成領(lǐng)域,單一圖像的生成問題研究的較多,取得了較好的發(fā)展,但是圖像元組的問題卻少有人研究.本文重點(diǎn)研究生成具有不同屬性的圖像元組問題,提出了耦合變分自動(dòng)編碼器(CoVAE,Coupled Variational AutoEncoder).

    現(xiàn)有的數(shù)據(jù)集以及圖像生成方法生成的圖像大多都是單一的圖像,無法生成兩個(gè)具有不同屬性的圖像(比如微笑的人臉和不微笑的人臉)元組,為了生成圖像元組,提出的CoVAE,通過訓(xùn)練耦合變分自編碼器學(xué)習(xí)不同屬性圖像的特征表示,最后通過訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的特征表示生成具有不同屬性的人臉元組.本文的貢獻(xiàn)有如下3點(diǎn):

    1)提出了耦合變分自編碼器,做出了模型上的創(chuàng)新.

    2)通過學(xué)習(xí)不同屬性的特征表示更精確的生成圖像元組.

    3)用模型實(shí)現(xiàn)了無監(jiān)督的人臉屬性轉(zhuǎn)換以及圖像相互轉(zhuǎn)換.

    CoVAE包含兩個(gè)VAE元組,為了降低訓(xùn)練的復(fù)雜度,我們共享兩個(gè)VAE的參數(shù).在實(shí)現(xiàn)生成不同屬性人臉元組時(shí),我們用不同屬性的數(shù)據(jù)集分別訓(xùn)練兩個(gè)VAE元組,訓(xùn)練好的VAE元組可以學(xué)習(xí)到不同屬性的特征表示,通過這個(gè)特征表示可以更精確嚴(yán)格的生成不同屬性的人臉元組.變分自編碼器可以用屬性標(biāo)簽實(shí)現(xiàn)人臉屬性轉(zhuǎn)換,我們用完整數(shù)據(jù)集訓(xùn)練好的耦合變分自編碼器分別訓(xùn)練兩個(gè)不同屬性的人臉數(shù)據(jù)集,不用屬性標(biāo)簽而是用兩個(gè)VAE分別取平均值相減求得屬性表示,從而實(shí)現(xiàn)無監(jiān)督的人臉屬性轉(zhuǎn)換.同時(shí)發(fā)現(xiàn)也可以用訓(xùn)練好的耦合變分自編碼器實(shí)現(xiàn)人臉圖像的相互轉(zhuǎn)換.

    2 基礎(chǔ)知識

    本文的工作基礎(chǔ)是耦合生成對抗網(wǎng)絡(luò)(CoGAN,Coupled Generative Adversarial Networks)[13],下面簡要介紹CoGAN的基本思想.

    CoGAN是Liu等人提出的一種學(xué)習(xí)多域圖像聯(lián)合分布的生成模型,CoGAN旨在學(xué)習(xí)兩個(gè)不同域的聯(lián)合分布.它由兩個(gè)GAN模型組成(如圖1所示),每個(gè)GAN負(fù)責(zé)在一個(gè)域中生成圖像,通過生成器與判別器的部分權(quán)值共享在兩個(gè)域中學(xué)習(xí)聯(lián)合分布,從而生成圖像元組.

    圖1 耦合生成對抗網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.1 Structural sketch of coupled generative adversarial networks

    (1)

    (2)

    假設(shè)f1和f2是GAN1和GAN2的判別器,分別用下面的公式(3)和公式(4)判別兩個(gè)域的真假樣本.

    (3)

    (4)

    判別器將輸入圖像映射到概率分布,以估計(jì)輸入是真實(shí)樣本的可能性.因?yàn)樯善鞯那発層解碼高級語義,后面的層解碼低級細(xì)節(jié),判別器前k層提取低級特征,而后面的層提取高級特征,所以將生成器的前幾層權(quán)重共享,將判別器的最后幾層權(quán)重共享.這種權(quán)重共享約束使CoGAN無需監(jiān)督即可學(xué)習(xí)圖像的聯(lián)合分布.訓(xùn)練好的CoGAN可用于合成成對的對應(yīng)圖像,這些對應(yīng)圖像共享相同的高級抽象特征,但具有不同的低級細(xì)節(jié).

    損失函數(shù)由的公式(5)定義.

    (5)

    其中,函數(shù)V由公式(6)定義.

    V(f1,f2,g1,g2)=EX1~PX1[-logf1(X1)]+

    Ez~Pz[-log(1-f1(g1(z)))]+EX2~PX2[-logf2(X2)]+

    Ez~Pz[-log(1-f2(g2(z)))]

    (6)

    3 耦合變分自編碼器

    受CoGAN的啟發(fā),本文提出了耦合變分自編碼器模型(CoVAE),旨在學(xué)習(xí)不同屬性圖像的高級特征表示,用于生成不同屬性的圖像元組.由于VAE可以學(xué)習(xí)圖像的高級特征表示,具有堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ),我們可以通過耦合變分自編碼器學(xué)習(xí)不同屬性圖像的特征表示,從而更準(zhǔn)確的生成不同屬性的圖像元組.CoVAE的結(jié)構(gòu)如圖2所示.

    圖2 耦合變分自編碼器結(jié)構(gòu)示意圖Fig.2 Structural sketch of CoVAE

    CoVAE模型包括兩個(gè)VAE(VAE1和VAE2),VAE1和VAE2中的編碼器網(wǎng)絡(luò)分別記為q1和q2,VAE1和VAE2的解碼器網(wǎng)絡(luò)分別記為p1和p2.

    編碼器負(fù)責(zé)通過兩個(gè)卷積神經(jīng)網(wǎng)絡(luò)擬合出專屬于每個(gè)輸入圖像Xk的均值和方差,

    μk=f1(Xk)

    (7)

    logσk2=f2(Xk)

    (8)

    再經(jīng)過重采樣算出Zk,

    Zk=μk+σk*ε

    (9)

    其中,ε~N(0,1).

    設(shè)X1,X2分別是兩個(gè)不同屬性數(shù)據(jù)集中的圖像,X1~PX1,X2~PX2,編碼器求出兩個(gè)數(shù)據(jù)集分別對應(yīng)的潛變量Z1、Z2.

    (10)

    (11)

    (12)

    (13)

    CoVAE的損失函數(shù)如下:

    LCoVAE=LVAE1+LVAE2

    (14)

    LVAE1=Lreg1+Lrecon1=DKL(q(Z1|X1)‖p1(Z1))-

    Eq(Z1|X1)[logp1(X1|Z1)]

    (15)

    LVAE2=Lreg2+Lrecon2=DKL(q(Z2|X2)‖p2(Z2))-

    Eq(Z2|X2)[logp2(X2|Z2)]

    (16)

    (17)

    VAE的損失函數(shù)等于兩部分之和,將LVAE分成兩部分來看:Eq(Z|X)[logp(X|Z)]的期望和DKL(q(Z|X)‖p(Z))的期望,問題變成了兩個(gè)損失值分別最小化.但是這樣計(jì)算并不能達(dá)到理想的效果,DKL(q(Z|X)‖p(Z))=0表明Z沒有任何辨識度,所以-Eq(Z|X)[logp(X|Z)]不可能小(效果不好);而如果-Eq(Z|X)[logp(X|Z)]小則logp(X|Z)大(效果好),此時(shí)DKL(q(Z|X)‖p(Z))不會(huì)小,所以這兩部分的損失值是相互對抗的.應(yīng)該從整體的看LVAE,整體的LVAE越小模型就越接近收斂,而不能單純觀察某一部分的損失值,而且VAE1和VAE2共享權(quán)重,不能分開計(jì)算損失函數(shù),所以將CoVAE的損失函數(shù)設(shè)計(jì)為一個(gè)整體損失函數(shù),即LCoVAE.

    4 實(shí)驗(yàn)結(jié)果及分析

    4.1 數(shù)據(jù)集

    為了驗(yàn)證提出的模型的有效性,使用Celeba數(shù)據(jù)集集中進(jìn)行了測試,該數(shù)據(jù)集包含了202599張人臉圖片,每張人臉圖片有40個(gè)屬性標(biāo)簽,例如可區(qū)分是否微笑、戴眼鏡、發(fā)色、性別、長短發(fā)等屬性特征標(biāo)簽.某張圖片具有該屬性則屬性標(biāo)簽為1,否則為-1,我們按照想要實(shí)現(xiàn)的實(shí)驗(yàn)效果對數(shù)據(jù)集按照屬性標(biāo)簽做任意劃分以訓(xùn)練CoVAE模型.數(shù)據(jù)集中的圖片輸入尺寸標(biāo)準(zhǔn)化成固定尺寸為128×128×3,潛變量空間設(shè)置成200維.本文的實(shí)驗(yàn)分成兩部分,都是通過CoVAE模型實(shí)現(xiàn),主要的實(shí)驗(yàn)是通過CoVAE模型生成不同屬性的人臉元組,另一個(gè)實(shí)驗(yàn)是通過CoVAE模型實(shí)現(xiàn)無監(jiān)督的人臉特征轉(zhuǎn)換以及人臉相互轉(zhuǎn)換.最后通過在MNIST數(shù)據(jù)集上的實(shí)驗(yàn)并與其他模型比較以證明其優(yōu)勢.

    4.2 實(shí)現(xiàn)細(xì)節(jié)及結(jié)果分析

    在第1個(gè)實(shí)驗(yàn)中,我們希望CoVAE模型生成不同屬性的人臉元組,強(qiáng)調(diào)在訓(xùn)練集中的不同域中沒有對應(yīng)的圖像,我們以不同屬性的人臉數(shù)據(jù)集分別訓(xùn)練兩個(gè)VAE.訓(xùn)練良好的CoVAE可以學(xué)習(xí)不同屬性數(shù)據(jù)集的高級特征表示,最后輸入任意一張人臉圖片,CoVAE模型都可以生成不同屬性的人臉元組.我們按照不同的屬性將Celeba數(shù)據(jù)集分為兩部分,第1部分記為數(shù)據(jù)集1,將人臉圖片標(biāo)準(zhǔn)化成固定尺寸為128×128×3輸入VAE1,第2部分記為數(shù)據(jù)集2,將人臉圖片標(biāo)準(zhǔn)化成固定尺寸為128×128×3輸入VAE2.兩個(gè)數(shù)據(jù)集:一個(gè)是具有該屬性的圖片數(shù)據(jù)集,一個(gè)是不具有該屬性的圖片數(shù)據(jù)集,它們之間不存在任何對應(yīng)關(guān)系或配對.我們輸出了200維潛變量空間的前12維的正態(tài)分布圖像如圖3所示.生成的不同屬性人臉元組如圖4所示.

    圖3 潛變量空間的前12維的正態(tài)分布圖像Fig.3 First 12-dimensional normal distribution image of latent variable space

    圖4 微笑、眼鏡、發(fā)色的人臉元組圖像Fig.4 Smile,glasses,hair color face tuple image

    從圖3中可以看到200維潛變量的前12維的正態(tài)分布,每一維都是一個(gè)正態(tài)分布,這些所有的分布加起來是當(dāng)前圖片的高級特征,所以人臉圖片的高級特征可以理解為是一個(gè)多元正態(tài)分布.

    從圖4中可以看到訓(xùn)練良好的CoVAE可以成功的捕獲每個(gè)人臉的高級特征-比如是否微笑,是否帶眼鏡,發(fā)色.圖4中,第1組圖片中,VAE1可以捕獲人臉笑的高級特征,VAE2可以捕獲人臉不笑的高級特征,所以輸入1張人臉圖片,訓(xùn)練良好的CoVAE就可以生成不同屬性的人臉元組,即第1組圖像中第1行微笑的人臉圖像,和第2行不笑的人臉圖像,上下圖像為同一個(gè)人對應(yīng)微笑和不微笑的人臉元組.同樣,第2組圖像中,第1行是CoVAE生成的戴眼鏡的人臉圖像,第2行是第1行中的每個(gè)人臉分別對應(yīng)的不帶眼鏡的圖像.第3組圖像中,CoVAE生成了第1行淺發(fā)色的人臉圖像,第2行圖像為第1行每個(gè)人臉分別對應(yīng)的深發(fā)色圖像.類似于此,訓(xùn)練良好的CoVAE可以生成任意屬性的人臉元組.

    此外,我們發(fā)現(xiàn)CoVAE模型可以實(shí)現(xiàn)無監(jiān)督的人臉特征轉(zhuǎn)換以及人臉相互轉(zhuǎn)換效果.單個(gè)VAE可以通過屬性標(biāo)簽學(xué)習(xí)實(shí)現(xiàn)人臉特征轉(zhuǎn)換,在本文實(shí)驗(yàn)中,我們發(fā)現(xiàn)可以應(yīng)用CoVAE模型中兩個(gè)VAE的特點(diǎn)不需要屬性標(biāo)簽也可以實(shí)現(xiàn)人臉特征轉(zhuǎn)換,即用CoVAE模型實(shí)現(xiàn)無監(jiān)督人臉特征轉(zhuǎn)換.使用完整的Celeba數(shù)據(jù)集訓(xùn)練CoVAE模型,訓(xùn)練良好的CoVAE模型可以生成任意屬性特征的人臉圖片,然后將數(shù)據(jù)集按照不同屬性劃分為兩個(gè)數(shù)據(jù)集,分別將兩個(gè)數(shù)據(jù)集輸入兩個(gè)VAE,每個(gè)VAE提取出來對應(yīng)數(shù)據(jù)集的高級特征表示Z,再以兩個(gè)Z相減求出對應(yīng)屬性的特征向量,從而對任意輸入人臉圖片就可以實(shí)現(xiàn)該屬性的加減變換.用VAE1實(shí)現(xiàn)該屬性的相加,用VAE2實(shí)現(xiàn)該屬性的相減.用CoVAE模型實(shí)現(xiàn)人臉屬性相加及人臉屬性相減結(jié)果如圖5所示.隨后又用訓(xùn)練良好的CoVAE模型實(shí)現(xiàn)了人臉的相互轉(zhuǎn)換,實(shí)驗(yàn)結(jié)果如圖6所示.

    圖5 微笑、發(fā)色、性別的人臉屬性加減圖像Fig.5 Smile,hair color,gender face attributes plus or minus images

    從圖5的第1組圖片中可以看出,CoVAE中VAE1實(shí)現(xiàn)了微笑屬性特征的相加,VAE2實(shí)現(xiàn)了微笑屬性特征的相減,并且是對同一張人臉圖像進(jìn)行特征加減,是同一張人臉圖像的不同屬性元組.中間一組和下邊一組的圖片分別實(shí)現(xiàn)了發(fā)色和性別的屬性加減.第1組圖像中,第1行圖片人臉圖像從不笑到笑,第2行人臉圖像從笑到不笑;第2組圖像中,第1行人臉圖像發(fā)色從黑色到棕色,第2行人臉圖像發(fā)色從棕色到黑色圖片;第3組圖像中,第1行人臉圖像從性別女到男,第2行人臉圖像從性別男到女.可以清楚的看到,即使在潛空間中將一個(gè)特征移動(dòng)很遠(yuǎn)的距離,除了我們想操控的這個(gè)特征,圖像的核心幾乎沒有改變.這證明了CoVAE在捕獲和調(diào)節(jié)圖像中高級特征的強(qiáng)大能力.

    從圖6中的3組圖片可以看到CoVAE中VAE1實(shí)現(xiàn)了左邊圖片到右邊圖片的轉(zhuǎn)化,VAE2實(shí)現(xiàn)了反向的轉(zhuǎn)化,并且轉(zhuǎn)化的時(shí)候包含了多種特征屬性(比如微笑,發(fā)色,性別等).這個(gè)實(shí)驗(yàn)顯示了CoVAE的潛空間中應(yīng)該是一個(gè)連續(xù)的空間分布,才能轉(zhuǎn)化和嘗試去生成一個(gè)多種屬性的不同人臉.

    圖6 人臉圖像的相互轉(zhuǎn)換Fig.6 Face image conversion

    本文使用卷積網(wǎng)絡(luò)來實(shí)現(xiàn)CoVAE,兩個(gè)編碼器、解碼器具有相同的結(jié)構(gòu),為了減少訓(xùn)練參數(shù)加快訓(xùn)練速度我們共享兩個(gè)VAE的編碼器解碼器權(quán)重,每一個(gè)卷積層之后都有一個(gè)歸一化層去加快訓(xùn)練.訓(xùn)練人臉的CoVAE層數(shù)如表1所示.使用ADAM算法進(jìn)行訓(xùn)練,學(xué)習(xí)率設(shè)置為0.0005,最小批量設(shè)置為32.并對CoVAE進(jìn)行了200次迭代訓(xùn)練.

    表1 生成人臉的CoVAETable 1 CoVAE for face generation

    本文最后將模型應(yīng)用于MNIST數(shù)據(jù)集并與相關(guān)模型作比較,根據(jù)指標(biāo)顯示,CoVAE模型生成圖像優(yōu)于其他模型.我們選用的評價(jià)指標(biāo)包括SSIM、PSNR、MSE、NRMSE.SSIM是一種衡量兩幅圖像相似度的指標(biāo),用均值作為亮度估計(jì),標(biāo)準(zhǔn)差作為對比度估計(jì),協(xié)方差作為結(jié)構(gòu)相似程度的度量.PSNR是峰值信號的能量與噪聲的平均能量之比.MSE是真實(shí)值與預(yù)測值的差值的平方然后求和平均.NRMSE就是將MSE的值開方后變成(0,1)之間.我們將正域和負(fù)域的MNIST數(shù)據(jù)集分別訓(xùn)練兩個(gè)VAE,數(shù)字圖像在潛變量空間分布如圖7所示,生成圖像如圖8所示.我們將CoVAE模型與其他比較流行的模型作比較,CoVAE模型優(yōu)于其他的模型生成效果,結(jié)果數(shù)值如表2所示.

    圖7 正域及負(fù)域數(shù)據(jù)在潛變量空間的分布圖Fig.7 Distribution diagram of positive and negative domain data in latent variable space

    圖7中的三角形的點(diǎn)代表正域數(shù)字圖像在潛變量空間中的分布,圓形的點(diǎn)代表負(fù)域數(shù)字圖像在潛變量空間中的分布,這些點(diǎn)中每個(gè)點(diǎn)都代表了原圖像在潛變量空間中的坐標(biāo),就是提取出來的高級特征,我們通過這個(gè)特征可以重構(gòu)圖像.圖8中每組圖片第1行的圖像都是CoVAE中VAE1生成的正域數(shù)字圖像,第2行的圖像是VAE2生成的負(fù)域數(shù)字圖像.

    圖8 CoVAE生成正負(fù)域的數(shù)字圖像Fig.8 CoVAE generated digital images of positive and negative fields

    在表2中,結(jié)構(gòu)相似性SSIM數(shù)值越接近于1,相似度越高,代表融合質(zhì)量越好;峰值信噪比PSNR用于衡量圖像有效信息與噪聲之間的比率,能夠反映圖像是否失真,PSNR值越大融合圖像質(zhì)量越好;均方誤差MSE反映的是變量間的差異程度,用于衡量融合圖像與理想圖像之間的差異,MSE越小,表示融合圖像質(zhì)量越好;歸一化均方根誤差NRMSE是將一個(gè)翻譯空間細(xì)節(jié)信息的評價(jià)指標(biāo)的值變成(0,1)之間,越小越好.我們可以從上表數(shù)值得知,在生成數(shù)字圖像上CoVAE的性能優(yōu)于其他模型,分析原因其一是因?yàn)樽兎肿跃幋a器在提取圖像高級特征上表現(xiàn)的強(qiáng)大能力,利用兩個(gè)卷積神經(jīng)網(wǎng)絡(luò)擬合出來對應(yīng)的均值方差,經(jīng)過重采樣求出對應(yīng)的潛變量,正如同數(shù)學(xué)函數(shù)一樣準(zhǔn)確嚴(yán)謹(jǐn),精致迂回的數(shù)學(xué)推導(dǎo)使其相對于生成對抗網(wǎng)絡(luò)粗狂的對抗訓(xùn)練更準(zhǔn)確;其二CoVAE將潛變量維度擴(kuò)展為100維,更多維的潛變量意味著更加準(zhǔn)確的多維正態(tài)分布,每一維正態(tài)分布都對應(yīng)了圖像的一維特征,多維的正態(tài)分布更能細(xì)致精準(zhǔn)的刻畫每一張圖像的高級特征,所以生成的數(shù)字圖像更清楚準(zhǔn)確.

    表2 MNIST數(shù)據(jù)集上不同模型的相關(guān)指標(biāo)結(jié)果Table 2 Correlation index results of different models on MNIST data set

    5 結(jié) 論

    受CoGAN思想的啟發(fā),提出了用于生成不同屬性人臉元組的CoVAE模型.該模型學(xué)習(xí)不同屬性數(shù)據(jù)集高級特征的表示,從而更精確的生成不同屬性的人臉元組,嚴(yán)格控制元組中人臉主體的一致性,相較于CoGAN生成的人臉圖像元組結(jié)果更精準(zhǔn).此外,本文也實(shí)現(xiàn)了CoVAE在無監(jiān)督人臉屬性轉(zhuǎn)換及人臉相互轉(zhuǎn)換的應(yīng)用.但是VAE在生成人臉圖像上并不是很清楚,這也是本文需要進(jìn)一步研究提高的地方.

    猜你喜歡
    元組編碼器人臉
    有特點(diǎn)的人臉
    Python核心語法
    海量數(shù)據(jù)上有效的top-kSkyline查詢算法*
    三國漫——人臉解鎖
    基于FPGA的同步機(jī)軸角編碼器
    基于減少檢索的負(fù)表約束優(yōu)化算法
    基于PRBS檢測的8B/IOB編碼器設(shè)計(jì)
    JESD204B接口協(xié)議中的8B10B編碼器設(shè)計(jì)
    電子器件(2015年5期)2015-12-29 08:42:24
    馬面部與人臉相似度驚人
    長得象人臉的十種動(dòng)物
    奇聞怪事(2014年5期)2014-05-13 21:43:01
    国产av一区二区精品久久| 精品少妇黑人巨大在线播放| 日韩欧美免费精品| 免费观看a级毛片全部| 精品欧美一区二区三区在线| 啦啦啦在线免费观看视频4| 久久精品亚洲熟妇少妇任你| 波多野结衣av一区二区av| 黄色视频不卡| 国产国语露脸激情在线看| 国产高清国产精品国产三级| 九色亚洲精品在线播放| 999久久久国产精品视频| 国产精品香港三级国产av潘金莲| 99精国产麻豆久久婷婷| 久久久久久亚洲精品国产蜜桃av| 欧美日韩国产mv在线观看视频| 亚洲三区欧美一区| 亚洲av美国av| 日韩大码丰满熟妇| 欧美精品av麻豆av| 建设人人有责人人尽责人人享有的| 美女中出高潮动态图| 国内毛片毛片毛片毛片毛片| 国产成人一区二区三区免费视频网站| 精品国产国语对白av| 成人av一区二区三区在线看 | 最黄视频免费看| 久久热在线av| 国产无遮挡羞羞视频在线观看| 国产av一区二区精品久久| 久久99一区二区三区| 最新在线观看一区二区三区| 免费日韩欧美在线观看| 亚洲欧美色中文字幕在线| 亚洲性夜色夜夜综合| 国产极品粉嫩免费观看在线| 亚洲欧美日韩高清在线视频 | 久久精品国产亚洲av香蕉五月 | 中文字幕人妻丝袜一区二区| 在线观看免费午夜福利视频| 少妇猛男粗大的猛烈进出视频| 亚洲精品国产区一区二| 久久久水蜜桃国产精品网| 桃红色精品国产亚洲av| 日本av手机在线免费观看| 秋霞在线观看毛片| 午夜福利,免费看| 亚洲一区二区三区欧美精品| svipshipincom国产片| 一边摸一边抽搐一进一出视频| 亚洲国产毛片av蜜桃av| 国产精品久久久久久人妻精品电影 | 免费人妻精品一区二区三区视频| 看免费av毛片| av线在线观看网站| 久久久水蜜桃国产精品网| 69精品国产乱码久久久| 大片免费播放器 马上看| 欧美+亚洲+日韩+国产| 黄色视频不卡| 国产精品亚洲av一区麻豆| 国产成人精品久久二区二区免费| 久久久精品区二区三区| 999久久久精品免费观看国产| 夫妻午夜视频| 欧美另类亚洲清纯唯美| 欧美少妇被猛烈插入视频| 淫妇啪啪啪对白视频 | 一级毛片电影观看| 精品少妇久久久久久888优播| 人妻人人澡人人爽人人| 少妇 在线观看| 日韩欧美国产一区二区入口| 18禁观看日本| 久久国产精品男人的天堂亚洲| 久久亚洲国产成人精品v| 免费观看人在逋| 汤姆久久久久久久影院中文字幕| 欧美中文综合在线视频| 在线观看www视频免费| 久久av网站| 中文欧美无线码| 淫妇啪啪啪对白视频 | 日韩人妻精品一区2区三区| 亚洲欧洲日产国产| 亚洲av片天天在线观看| 黄网站色视频无遮挡免费观看| 韩国高清视频一区二区三区| 亚洲中文av在线| 亚洲精品国产精品久久久不卡| av有码第一页| 久久精品国产亚洲av高清一级| 亚洲伊人久久精品综合| 男男h啪啪无遮挡| 97人妻天天添夜夜摸| 又紧又爽又黄一区二区| 热re99久久精品国产66热6| 免费黄频网站在线观看国产| 黄片小视频在线播放| 成年美女黄网站色视频大全免费| 后天国语完整版免费观看| 自拍欧美九色日韩亚洲蝌蚪91| 脱女人内裤的视频| a 毛片基地| 99国产极品粉嫩在线观看| 国产91精品成人一区二区三区 | 天天影视国产精品| 黄片大片在线免费观看| 精品国产乱子伦一区二区三区 | 亚洲免费av在线视频| 一本大道久久a久久精品| 久久国产精品男人的天堂亚洲| 母亲3免费完整高清在线观看| 中文精品一卡2卡3卡4更新| 国产精品一区二区精品视频观看| 欧美午夜高清在线| 一区在线观看完整版| 日日爽夜夜爽网站| 日本欧美视频一区| 亚洲av国产av综合av卡| 色播在线永久视频| 80岁老熟妇乱子伦牲交| 三级毛片av免费| 丰满少妇做爰视频| kizo精华| 两性夫妻黄色片| 国产1区2区3区精品| 精品人妻1区二区| 亚洲欧美一区二区三区黑人| 人妻久久中文字幕网| 午夜激情av网站| 国产91精品成人一区二区三区 | 99国产精品99久久久久| 国产淫语在线视频| 免费看十八禁软件| 亚洲精品久久午夜乱码| 欧美在线黄色| 国产欧美日韩一区二区精品| 99久久99久久久精品蜜桃| 欧美av亚洲av综合av国产av| 亚洲精品自拍成人| 久久青草综合色| 精品亚洲成a人片在线观看| 国产伦人伦偷精品视频| 高潮久久久久久久久久久不卡| 狠狠精品人妻久久久久久综合| 亚洲九九香蕉| 成人影院久久| 成人国产一区最新在线观看| 香蕉丝袜av| 成人三级做爰电影| 超碰97精品在线观看| 老汉色av国产亚洲站长工具| 国产男人的电影天堂91| 黄色 视频免费看| 黄色视频,在线免费观看| av网站在线播放免费| 狂野欧美激情性bbbbbb| 老汉色av国产亚洲站长工具| 国产激情久久老熟女| 动漫黄色视频在线观看| 亚洲欧美一区二区三区黑人| 亚洲欧美日韩高清在线视频 | 精品国产乱码久久久久久男人| 国产精品欧美亚洲77777| 国产日韩欧美视频二区| 中文字幕另类日韩欧美亚洲嫩草| 自拍欧美九色日韩亚洲蝌蚪91| 又紧又爽又黄一区二区| 中文字幕另类日韩欧美亚洲嫩草| 高潮久久久久久久久久久不卡| 国产亚洲精品第一综合不卡| 男女下面插进去视频免费观看| 丰满迷人的少妇在线观看| 久久久久久久大尺度免费视频| 久久中文字幕一级| 亚洲国产精品一区三区| av天堂在线播放| 亚洲国产精品一区二区三区在线| 午夜免费鲁丝| 天天影视国产精品| 最黄视频免费看| 色婷婷久久久亚洲欧美| 一二三四社区在线视频社区8| 99久久精品国产亚洲精品| 美女国产高潮福利片在线看| 人人妻人人爽人人添夜夜欢视频| 少妇人妻久久综合中文| 又紧又爽又黄一区二区| 国产精品自产拍在线观看55亚洲 | 日本vs欧美在线观看视频| 免费日韩欧美在线观看| 午夜福利免费观看在线| av网站在线播放免费| 亚洲国产欧美日韩在线播放| 99国产精品一区二区蜜桃av | 久久久精品94久久精品| 久久人人97超碰香蕉20202| 成人三级做爰电影| 日韩一区二区三区影片| 性色av乱码一区二区三区2| 久久影院123| 成人国产一区最新在线观看| 亚洲国产欧美一区二区综合| h视频一区二区三区| 免费观看a级毛片全部| av电影中文网址| 久久久欧美国产精品| 最黄视频免费看| 免费日韩欧美在线观看| 欧美日韩中文字幕国产精品一区二区三区 | 欧美日韩视频精品一区| 美女国产高潮福利片在线看| 免费高清在线观看日韩| 精品少妇久久久久久888优播| 波多野结衣av一区二区av| 嫁个100分男人电影在线观看| 王馨瑶露胸无遮挡在线观看| 免费在线观看完整版高清| e午夜精品久久久久久久| 九色亚洲精品在线播放| 国产有黄有色有爽视频| 啦啦啦视频在线资源免费观看| 国产xxxxx性猛交| tocl精华| 日韩 亚洲 欧美在线| 19禁男女啪啪无遮挡网站| 亚洲国产中文字幕在线视频| 成人av一区二区三区在线看 | 黑人巨大精品欧美一区二区mp4| 欧美日本中文国产一区发布| 午夜激情久久久久久久| av线在线观看网站| 国产一区二区三区av在线| 女人爽到高潮嗷嗷叫在线视频| 宅男免费午夜| 亚洲第一欧美日韩一区二区三区 | videos熟女内射| 汤姆久久久久久久影院中文字幕| 亚洲欧美一区二区三区久久| 精品乱码久久久久久99久播| 欧美黄色淫秽网站| 成年av动漫网址| 亚洲精品日韩在线中文字幕| 老司机深夜福利视频在线观看 | 欧美人与性动交α欧美软件| 一二三四社区在线视频社区8| 亚洲avbb在线观看| 丁香六月天网| 国产麻豆69| 亚洲三区欧美一区| 亚洲激情五月婷婷啪啪| 国产精品熟女久久久久浪| www.av在线官网国产| 多毛熟女@视频| 亚洲成人免费av在线播放| 亚洲美女黄色视频免费看| 一本大道久久a久久精品| 十八禁网站网址无遮挡| 男女国产视频网站| 青春草视频在线免费观看| 国产国语露脸激情在线看| 久久国产精品影院| 伊人亚洲综合成人网| 黄色毛片三级朝国网站| 在线精品无人区一区二区三| 亚洲欧洲日产国产| 日韩 欧美 亚洲 中文字幕| 一进一出抽搐动态| 999久久久精品免费观看国产| 满18在线观看网站| 99久久99久久久精品蜜桃| 亚洲成av片中文字幕在线观看| 高清av免费在线| 国产深夜福利视频在线观看| 美女主播在线视频| 国产一级毛片在线| 大香蕉久久成人网| 麻豆乱淫一区二区| 国产免费福利视频在线观看| 99久久综合免费| 久久亚洲国产成人精品v| 大片电影免费在线观看免费| 韩国精品一区二区三区| 视频区图区小说| 天堂俺去俺来也www色官网| 亚洲国产精品一区二区三区在线| 国产在视频线精品| 欧美日韩亚洲综合一区二区三区_| 精品一区二区三区av网在线观看 | 捣出白浆h1v1| 中国国产av一级| 啦啦啦免费观看视频1| 色婷婷av一区二区三区视频| 三上悠亚av全集在线观看| 国产黄频视频在线观看| 久热爱精品视频在线9| 精品国产乱码久久久久久男人| 黄色毛片三级朝国网站| 国产欧美日韩精品亚洲av| 免费av中文字幕在线| 97在线人人人人妻| 亚洲一卡2卡3卡4卡5卡精品中文| 精品福利观看| 国产成人精品无人区| 国产成人精品久久二区二区免费| 久久久久精品人妻al黑| 青青草视频在线视频观看| 午夜免费观看性视频| 十分钟在线观看高清视频www| 成人av一区二区三区在线看 | 日韩欧美国产一区二区入口| 午夜精品久久久久久毛片777| 日韩 亚洲 欧美在线| 精品免费久久久久久久清纯 | 免费在线观看日本一区| 日本精品一区二区三区蜜桃| 中文字幕最新亚洲高清| 91麻豆精品激情在线观看国产 | 深夜精品福利| 欧美精品av麻豆av| 十八禁高潮呻吟视频| 男女之事视频高清在线观看| 中文字幕av电影在线播放| 国产精品香港三级国产av潘金莲| 久久久国产成人免费| 曰老女人黄片| 啪啪无遮挡十八禁网站| 男人爽女人下面视频在线观看| 亚洲人成77777在线视频| 中文字幕av电影在线播放| 人人妻人人爽人人添夜夜欢视频| 久久国产精品人妻蜜桃| 国产一卡二卡三卡精品| 老司机福利观看| 国产亚洲av片在线观看秒播厂| 亚洲国产av新网站| 自线自在国产av| 一区在线观看完整版| 性色av一级| 亚洲精品日韩在线中文字幕| 精品少妇一区二区三区视频日本电影| 汤姆久久久久久久影院中文字幕| 少妇 在线观看| 久久免费观看电影| 国产老妇伦熟女老妇高清| 国产男女超爽视频在线观看| 丰满少妇做爰视频| 欧美日韩亚洲综合一区二区三区_| 国产免费一区二区三区四区乱码| av有码第一页| 国产成人a∨麻豆精品| 久久久水蜜桃国产精品网| 久久综合国产亚洲精品| 91精品三级在线观看| 国产精品 欧美亚洲| 久久久久久久国产电影| 1024视频免费在线观看| 香蕉国产在线看| 国产欧美日韩综合在线一区二区| 真人做人爱边吃奶动态| 欧美 日韩 精品 国产| 欧美日韩中文字幕国产精品一区二区三区 | 美女主播在线视频| 老司机深夜福利视频在线观看 | 黑人猛操日本美女一级片| 亚洲午夜精品一区,二区,三区| 国产亚洲欧美在线一区二区| 99久久综合免费| 美女高潮到喷水免费观看| 啦啦啦视频在线资源免费观看| 欧美日本中文国产一区发布| 午夜福利视频精品| 久久久国产精品麻豆| 啦啦啦视频在线资源免费观看| 国产在线视频一区二区| 丝袜美足系列| 丝袜美腿诱惑在线| 热99国产精品久久久久久7| 国产精品av久久久久免费| 亚洲av成人一区二区三| 精品久久久久久久毛片微露脸 | 亚洲精品粉嫩美女一区| 一级毛片女人18水好多| 性高湖久久久久久久久免费观看| 99久久综合免费| 99国产综合亚洲精品| 色播在线永久视频| 欧美xxⅹ黑人| 免费日韩欧美在线观看| 1024视频免费在线观看| 欧美精品啪啪一区二区三区 | 国产亚洲精品一区二区www | 国产成人精品在线电影| 丝袜美足系列| 肉色欧美久久久久久久蜜桃| 超碰成人久久| 母亲3免费完整高清在线观看| 亚洲专区国产一区二区| 亚洲精品久久久久久婷婷小说| 动漫黄色视频在线观看| 99香蕉大伊视频| 亚洲国产成人一精品久久久| 精品一区二区三区四区五区乱码| 丁香六月天网| 国产亚洲欧美精品永久| 国产主播在线观看一区二区| 久久国产精品人妻蜜桃| 日韩,欧美,国产一区二区三区| 黄色毛片三级朝国网站| 大陆偷拍与自拍| 又黄又粗又硬又大视频| 亚洲一码二码三码区别大吗| 97精品久久久久久久久久精品| 18在线观看网站| 亚洲综合色网址| 国产精品麻豆人妻色哟哟久久| 国产亚洲欧美精品永久| 久久久欧美国产精品| 国产成人av激情在线播放| 一本一本久久a久久精品综合妖精| 国产成人av激情在线播放| 国产一区二区三区综合在线观看| 久久精品国产综合久久久| 大陆偷拍与自拍| 色婷婷久久久亚洲欧美| 1024视频免费在线观看| 成人av一区二区三区在线看 | 久久精品熟女亚洲av麻豆精品| 国产亚洲欧美精品永久| 人妻一区二区av| av国产精品久久久久影院| 性高湖久久久久久久久免费观看| 美国免费a级毛片| cao死你这个sao货| 黄网站色视频无遮挡免费观看| 久久久国产成人免费| 欧美+亚洲+日韩+国产| 一本—道久久a久久精品蜜桃钙片| 国产xxxxx性猛交| 伦理电影免费视频| 日韩,欧美,国产一区二区三区| 亚洲av片天天在线观看| 狠狠狠狠99中文字幕| 97人妻天天添夜夜摸| 亚洲人成电影观看| 久久久久久久大尺度免费视频| 久久这里只有精品19| tube8黄色片| 国产男人的电影天堂91| 精品乱码久久久久久99久播| 国产成人免费无遮挡视频| 黑丝袜美女国产一区| 亚洲欧美清纯卡通| 亚洲国产欧美一区二区综合| 妹子高潮喷水视频| 热99re8久久精品国产| 欧美精品高潮呻吟av久久| 亚洲avbb在线观看| 一本一本久久a久久精品综合妖精| 少妇猛男粗大的猛烈进出视频| 免费观看av网站的网址| 777久久人妻少妇嫩草av网站| 亚洲人成电影观看| 91字幕亚洲| 老司机午夜福利在线观看视频 | 岛国毛片在线播放| 亚洲欧美一区二区三区久久| 天天操日日干夜夜撸| 99热全是精品| 久久香蕉激情| 天天影视国产精品| 91大片在线观看| 在线天堂中文资源库| 9191精品国产免费久久| a级毛片在线看网站| 不卡一级毛片| 精品久久久久久电影网| 免费少妇av软件| 国产人伦9x9x在线观看| 欧美日本中文国产一区发布| 超碰成人久久| 嫁个100分男人电影在线观看| 好男人电影高清在线观看| 亚洲国产欧美在线一区| 18禁国产床啪视频网站| 欧美日韩国产mv在线观看视频| 成年美女黄网站色视频大全免费| 激情视频va一区二区三区| 人人妻人人澡人人看| 啦啦啦免费观看视频1| 久久影院123| 国产精品一区二区在线观看99| 不卡av一区二区三区| 这个男人来自地球电影免费观看| 丝瓜视频免费看黄片| 亚洲综合色网址| 男女床上黄色一级片免费看| 在线观看舔阴道视频| 亚洲激情五月婷婷啪啪| 999久久久国产精品视频| 人妻久久中文字幕网| 美女高潮喷水抽搐中文字幕| 亚洲av成人一区二区三| av超薄肉色丝袜交足视频| 欧美 日韩 精品 国产| 成人国语在线视频| 蜜桃在线观看..| 99国产精品99久久久久| 国产精品 国内视频| 欧美 日韩 精品 国产| 精品欧美一区二区三区在线| 99re6热这里在线精品视频| netflix在线观看网站| 亚洲激情五月婷婷啪啪| 91字幕亚洲| 午夜久久久在线观看| 日本黄色日本黄色录像| 两性午夜刺激爽爽歪歪视频在线观看 | 国产成+人综合+亚洲专区| a级毛片在线看网站| 久久久久久久大尺度免费视频| 中文精品一卡2卡3卡4更新| 亚洲精品美女久久久久99蜜臀| netflix在线观看网站| 视频在线观看一区二区三区| www.自偷自拍.com| 国产片内射在线| 久久精品人人爽人人爽视色| 97精品久久久久久久久久精品| 丝袜人妻中文字幕| 国产精品99久久99久久久不卡| 人人妻人人爽人人添夜夜欢视频| 日韩人妻精品一区2区三区| 在线 av 中文字幕| 亚洲性夜色夜夜综合| 国产成人av激情在线播放| 久久天堂一区二区三区四区| 午夜激情久久久久久久| av在线老鸭窝| 国产精品免费大片| www.av在线官网国产| 丝袜脚勾引网站| 99热国产这里只有精品6| 美女中出高潮动态图| 精品国内亚洲2022精品成人 | 伊人久久大香线蕉亚洲五| 婷婷丁香在线五月| 日本黄色日本黄色录像| 手机成人av网站| 精品熟女少妇八av免费久了| 久久亚洲精品不卡| 欧美精品人与动牲交sv欧美| 国产成人欧美| 亚洲精品国产一区二区精华液| 女人久久www免费人成看片| 老司机影院成人| 久久香蕉激情| 久久精品熟女亚洲av麻豆精品| 少妇猛男粗大的猛烈进出视频| 久久久久久久久久久久大奶| 国产精品影院久久| 国产日韩一区二区三区精品不卡| 日韩欧美免费精品| 悠悠久久av| 欧美另类亚洲清纯唯美| 国产精品.久久久| 一级黄色大片毛片| 欧美精品一区二区免费开放| 成人国产一区最新在线观看| e午夜精品久久久久久久| 亚洲第一av免费看| √禁漫天堂资源中文www| av国产精品久久久久影院| 欧美激情 高清一区二区三区| 久久午夜综合久久蜜桃| kizo精华| 黑人欧美特级aaaaaa片| 国产免费现黄频在线看| 老司机深夜福利视频在线观看 | 高潮久久久久久久久久久不卡| 老汉色av国产亚洲站长工具| 欧美日韩国产mv在线观看视频| 亚洲七黄色美女视频| 欧美精品亚洲一区二区| 欧美人与性动交α欧美精品济南到| 纯流量卡能插随身wifi吗| av又黄又爽大尺度在线免费看| 精品视频人人做人人爽| 高清在线国产一区| 宅男免费午夜| 一级毛片女人18水好多| 五月开心婷婷网| 国产成人免费无遮挡视频| 久久精品人人爽人人爽视色| 欧美乱码精品一区二区三区| 亚洲欧美一区二区三区黑人| 一级黄色大片毛片| 别揉我奶头~嗯~啊~动态视频 | 亚洲国产av影院在线观看| 97在线人人人人妻| 高清在线国产一区| 久久中文看片网| 热re99久久国产66热| 国产伦人伦偷精品视频| 亚洲欧美精品综合一区二区三区| av福利片在线| 午夜福利视频在线观看免费| 爱豆传媒免费全集在线观看| 午夜免费观看性视频| 在线观看免费高清a一片| 亚洲国产精品一区二区三区在线| 侵犯人妻中文字幕一二三四区| 如日韩欧美国产精品一区二区三区|