《表1 一对一映射模型总结》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于条件生成式对抗网络的图像转换综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

一对一映射模型指源域图像对应唯一的转换结果，包含通用转换模型和针对特定任务的转换模型，如表1所示．Isola等[8]提出通用图像转换框架pix2pix，该框架同时兼容图像着色、边缘图像合成真实感图像等多种图像转换任务．Pix2pix基于DCGAN[9]，借助UNet[10]结构将编码器的特征直接传递至生成器，该方式绕过编码器的瓶颈层，使低频特征能够完整传递．此外，Isola等[8]还提出判别器patch GAN，该判别器利用感受野对生成图像的局部区域进行判断．相比直接判断整个图像区域的传统做法，patch GAN的局部区域判断提高了判别器的鲁棒性和性能．但是，pix2pix中L1损失会造成高频信息丢失，导致生成图像模糊．PAN[11]利用网络模型模拟人类的感知过程，用感知损失替代L1损失．感知损失借助网络模型提取图像特征，优化深层次抽象特征．传统感知损失以VGG[12]等预训练模型作为特征提取器，这样的特征提取效果依赖预训练模型的数据集，不能泛化其他数据．PAN以判别器作为特征提取器构造对抗感知损失，脱离了预训练模型并能够针对对应的数据集提取感知特征，进一步提高了感知损失的作用，但该感知损失直接计算每层特征之间的距离，生成图像仍存在一定的模糊．IPAN[13]使用感知相似网络[14]构造区分真假图像对的判别器，其中真图像对包含两张真实图像，假图像对包含生成图像和真实图像．不同于PAN，IPAN借助感知相似网络在真实图像和生成图像的特征之间建立感知损失，先对每层特征进行归一化和缩放，再计算真假图像对的特征距离，避免了直接计算特征距离造成的图像模糊．