公开(公告)号：CN114022372B

公开(公告)日：2024-04-16

申请号：CN202111238985.8

申请日：2021-10-25

Applicant: 大连理工大学

Inventor： 赵亮 ,  刚占鑫 ,  姚晨辉 ,  高树达 ,  马希达

IPC: G06T5/77 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明提供一种引入语义损失上下文编码器的掩膜图像修补方法，属于掩膜图像修补领域。包括以下步骤：首先，数据集的处理和分割后，利用上下文编码器算法的编码器—解码器结构完成从掩膜图片到生成图像的生成。其次，利用注意生成对抗网络的生成器完成生成图像的生成并同上下文编码器模块生成的图像进行交叉熵计算。最后，利用深度注意力多模态相似模型计算图片和文本之间的损失。本发明通过引入语义损失弥补了传统的深度学习方法对于大范围掩图像修补的性能较差的缺点，在该种图像修复领域有着更好的表现。

公开(公告)号：CN114022372A

公开(公告)日：2022-02-08

申请号：CN202111238985.8

申请日：2021-10-25

Applicant: 大连理工大学

Inventor： 赵亮 ,  刚占鑫 ,  姚晨辉 ,  高树达 ,  马希达

IPC: G06T5/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供一种引入语义损失上下文编码器的掩膜图像修补方法，属于掩膜图像修补领域。包括以下步骤：首先，数据集的处理和分割后，利用上下文编码器算法的编码器—解码器结构完成从掩膜图片到生成图像的生成。其次，利用注意生成对抗网络的生成器完成生成图像的生成并同上下文编码器模块生成的图像进行交叉熵计算。最后，利用深度注意力多模态相似模型计算图片和文本之间的损失。本发明通过引入语义损失弥补了传统的深度学习方法对于大范围掩图像修补的性能较差的缺点，在该种图像修复领域有着更好的表现。