买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华南理工大学

摘要：本发明公开了一种基于条件StyleGAN的小样本图像生成方法，包括：1对数据集的图像按照类别进行预处理；2使用可见类别预训练条件StyleGAN；3使用k张不可见类图像优化条件StyleGAN，其优化过程包括两个阶段：隐空间定位阶段和隐空间微调阶段，其中隐空间定位阶段以不可见类别图像子集为锚点，定位出不可见类别的子空间，隐空间微调阶段通过对抗损失和锚点稳定损失进一步对齐条件生成器的生成分布和不可见类别的真实分布；4通过随机采样噪声生成不可见类别的图片。本发明具有了深度学习技术的特性，通过一系列的优化目标，使生成器能通过k张不可见类别参考图片的优化，具备不可见类别图像的生成能力。

主权项：1.基于条件StyleGAN的小样本图像生成方法，其特征在于，包括以下步骤：1数据获取：将给定数据集X在类别空间划分为可见类别集合Cs和不可见类别集合Cu；随后依据类别集合的划分将给定数据集X中的图像划分为可见类别图像集合Xs和不可见类别图像集合Xu；目标是：给定某一不可见类别cu的k张图像子集为该不可见类别cu生成多样且高质量的图像，其中，cu∈Cu，k≤5，表示不可见类别图像子集中的图像，i表示图像子集的序号；2预训练条件StyleGAN：使用可见类别图像集合Xs预训练条件StyleGAN，得到预训练的条件生成器Gs和条件辨别器Ds；3使用不可见类图像优化条件StyleGAN：使用给定不可见类别图像子集对步骤2中得到的Gs和Ds进行微调，得到优化的条件生成器Gu和条件辨别器Du，其中包括两个阶段，为隐空间定位阶段和隐空间微调阶段：所述隐空间定位阶段是以k张不可见类别图像子集中的图片为锚点，在预训练的条件生成器Gs的隐空间中定位给定不可见类别cu的子空间，得到cu对应的不可见类别特征向量fu，以此获得cu的初始数据分布，并且优化Gs的映射网络得到优化的条件生成器Gu；所述隐空间微调阶段是基于隐空间定位阶段得到的不可见类别cu的初始数据分布，进一步微调隐空间定位阶段得到的条件生成器Gu，使得Gu充分学习到该不可见类别cu的特征，对齐条件生成器Gu生成图像的分布和不可见类别cu的图像分布，同时进一步优化该不可见类别cu的不可见类别特征向量fu，使其适配Gu，在微调Gu的过程中，拓展预训练的条件辨别器Ds为Du，并同时对Du进行微调；所述隐空间定位阶段和隐空间微调阶段都使用了语义正则化项，保证优化过程的稳定；4随机采样噪声，生成图像：随机采样高斯噪声z，与步骤3得到的不可见类别cu的类别特征向量fu一起输入步骤3优化得到的条件生成器Gu，生成该不可见类别cu的图像。

全文数据：

权利要求：

百度查询： 华南理工大学 基于条件StyleGAN的小样本图像生成方法