抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
画像生成領域において,従来の画像スタイル移動は2つのペアの画像間で変換する必要がある。循環一貫性生成対抗ネットワーク(CycleGenerativeAdversarialNetwork,CycleGAN)は2017年に提出された後、非対合画像に対して画像生成の特徴により良好な効果が得られた。画像生成の分野における研究の焦点になった。しかし,古典的CycleGANは,画像の特定変換領域と非依存領域を正確に識別できないので,画像相関領域特徴のランダム変換の欠点があり,画像歪を生成する。以上の問題に対して、特徴損失を導入することにより、生成器の特徴識別を制約し、L1損失を利用して、変換後の画像と原画像の画素レベル対応を保障し、この問題を有効に改善でき、画像生成をより明確化させる。特徴損失の比例超パラメータμを調節することにより、異なるμ値における特徴損失を選択する際に、CycleGANの各部分損失変化及び生成画像の品質への影響を分析し、最後に、特徴損失の割合超パラメータμ値の選択策略を提案した。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】