淺析圖像生成的機器學習算法
前沿
随着近十多年來各種電子裝置計算能力的快速發展，尤其是基于通用圖形處理器的并行計算技術的快速發展，機器學習領域獲得了快速的進步。随着基于卷積神經網絡的深度學習方法的出現，傳統的基于數學模型的機器學習算法在很多應用領域都被基于統計學模型的神經網絡算法所超越，尤其是２０１６年以來，基于生成對抗網絡的圖像處理方法，在傳統的圖像識别，圖像增強和圖像分割等領域之外，還實作了基于先驗知識的圖像合成，但圖像合成過程中仍存在算法結果不容易收斂，計算量大，優化速度慢，圖像劣化等問題。針對人臉合成圖像，已有的圖像合成算法其優化目标與評價方法更多的關注于合成圖像的品質與細節還原度，而對于人像本身的身份資訊保持與目标圖像與源圖像的身份特征一緻性等方面，仍需進一步研究和解決。
研究内容和創新點
主要研究了基于生成對抗網絡的人臉圖像合成算法，将合成過程分成了３個階段，首先是圖像中目标主體的分割，其次是人臉圖像的合成，最後是圖像的超分辨和畫質增強，實作了人臉圖像生成算法的識别，分離，合成和畫質改善的全過程。針對目前圖像合成及人臉合成研究中存在的問題，本文主要解決了人臉圖像的主體分割及合成高品質的保留身份特征資訊的圖像的問題，主要工作内容和創新點包括：
１、基于顔色統計資訊的高斯混合模型分類算法，設計了一種快速圖像分割算法，該算法通過逐層二分法一次性的将圖像分割為基于顔色分布的目标區域，同時由分割區域得到相應的目标輪廓。該算法不同于傳統方法的先由輪廓得到連續的邊界，再得到分割區域的做法，而是直接基于顔色統計資訊和像素分布的形态學特征進行目标區域的劃分，減少了邊緣分析的計算時間，且對目标區域進行分割的同時即可得到相應的區域邊界，具備很好的魯棒性。
２、從包含人臉的任意圖像中截取臉部區域，經過背景虛化、缺失部分補全等步驟，基于生成對抗網絡進行标準人像的合成，合成後的圖像具有特征點對齊後的人臉位置，且臉部及肩部、上半身等部分都具有統一的分割與合成效果。該方法處理得到的包含人臉主要特征資訊的半身圖像，可以實作人臉圖像的标準化，同時最大限度的保留原圖像中人臉的身份特征資訊。該算法可以作為人臉識别後的處理步驟，處理後的人臉圖像相比原圖像具有更一緻的圖像模式和對齊後的人臉特征區域，同時該算法也可以作為人臉資料的前處理步驟，有效改善現有人臉識别與分割算法的效果。
３、最後本文提出了一種針對人臉圖像進行優化的超分辨算法，相比于現有的圖像超分辨算法，該算法在圖像的超分辨合成過程中，在關注合成圖像的品質和更加細緻自然細節的同時，更加關注得到清晰的人臉圖像以及與原圖一緻的人臉身份資訊。算法通過引入生成對抗網絡和殘差網絡，實作了上述目标，可以實作圖像的４倍甚至８倍的放大，将模糊的圖像合成為具有較高清晰度和豐富人臉資訊的高分辨率圖像，同時算法具有很好的适應性和魯棒性，對于不同資料庫中的人臉圖像樣本都具有很好的合成效果。該算法采用了一種端到端的靈活的層疊式結構，可以适應不同的算法調整目标和圖像合成要求。
４、本文在人臉合成圖像的對比過程中，提出了使用ＦＩＤ代替以往的ＰＳＮＲ和ＳＳＩＭ參數作為人臉圖像合成以及超分辨算法的評價依據，因為ＦＩＤ值能夠更加準确的表達圖像對于人臉資訊的保留情況，同時通過全局特征資訊的統計得到圖像整體的合成效果與原圖像的對比。ＰＳＮＲ和ＳＳＩＭ則作為圖像局部細節特征的評價标準更适用于評價圖像本身的清晰度，細節品質等局部資訊。通過三者的結合，可以更好的評價合成人臉圖像的清晰度以及合成品質，同時評價合成後的圖像與輸入圖像相比，其中的人物身份特征是否能夠得到更好的保留。
參考文獻
何冀軍，申遠，郭玉堂，鄭津津．用于人像提取及半身像合成的生成對抗網絡算法［Ｊ］．計算機輔助設計與圖形學學報
