针对传统去雾算法结果中颜色和对比度失真等问题,提出了一种基于多尺度融合和对抗训练的图像去雾算法。采用多尺度特征提取模块从多个不同尺度中提取雾霾相关特征,利用残差密集连接模块实现图像特征的交互,避免了梯度消失。由于其不基于大气散射模型,直接将图像的浅层特征和深层特征进行多尺度融合,所以克服了物理模型的不精确性。去雾网络的训练采用生成对抗机制,由多尺度特征提取模块和残差密集连接模块构成的生成器估计清晰的无雾图像,由两个不同尺度感受野的子网络构成的鉴别器完成对抗训练。在RESIDE(Realistic single image dehazing)数据集上进行对比实验,结果表明本算法生成的去雾图像在全参考和无参考的视觉质量指标方面优于其他对比算法。
2022-07-30 08:49:48
11.17MB
1
资源包含文件：word+答辩PPT+源码+项目截图
经过国内外学者长时间地对GAN模型训练地数学理论上的研究因为涉及了博弈论、动力学和势场等学科领域而进展缓慢[]。然而研究者对神经网络模型的泛化能力和对抗样本攻击研究的突破，使得将神经网络模型的泛化和纳什均衡联系在一起有着光明的前景。这使得在数学理论等交叉性学科比较薄弱的人工智能研究员们目光吸引在这个领域。虽说，研究角度发生了改变，但是最终还是要解决关于GAN模型的几大根本性问题。以下，将逐步介绍开放性问题及理论原理。
详细介绍参考：https://blog.csdn.net/newlw/article/details/125043759
2022-07-20 16:02:51
3.61MB
GAN生成对抗网络，随时生成数据，通过GAN训练后，产生与真实数据一样的数据。MATLAB代码，付代码说明
2022-07-10 09:05:10
65KB
1
小样本利器2.文本对抗+半监督 FGSM & VAT & FGM代码实现.doc
2022-07-09 14:06:23
1.96MB
生成对抗网络(GAN, Generative adversarial network)自从2014年被Ian Goodfellow提出以来，掀起来了一股研究热潮。GAN由生成器和判别器组成，生成器负责生成样本，判别器负责判断生成器生成的样本是否为真。生成器要尽可能迷惑判别器，而判别器要尽可能区分生成器生成的样本和真实样本。
2022-07-08 08:52:36
5.99MB
1