目次

■ 第一步：将图像懂得为一个概率分布的样本

   你是如何补全缺掉信息的呢？

   然则如何着手统计呢？这些都是图像啊。

   那么我们如何补全图像？

 ■ 第二步：快速生成假图像

   在未知概率分布情况下，进修生成新样本

   应用G(z)生成伪图像

   [ML-Heavy] 练习DCGAN

   现有的GAN和DCGAN实现

如今我们有了微步长卷积构造，可以获得G(z)的表达，以一个向量z∼pzz∼pz 作为输入，输出一张 64x64x3 的RGB图像。

   [ML-Heavy] 在Tensorflow上构建DCGANs

   在图片集上跑DCGAN

■ 第三步：找到用于图像补全最好的伪图像

   应用 DCGAN 进行图像补全

   [ML-Heavy] 到 pgpg 的投影的损掉函数

   [ML-Heavy] 生查对抗收集(Generative Adversarial Net, GAN) 的架构

   [ML-Heavy] 应用tensorflow来进行DCGAN图像补全

   补全图像

 ■ 结论

简介

内容辨认填充(译注: Content-aware fill ,是 photoshop 的一个功能)是一个强大年夜的对象，设计师和摄影师可以用它来填充图片中不想要的部分或者缺掉的部分。在填充图片的缺掉或破坏的部分时，图像补全和修复是两种密切相干的技巧。有很多办法可以实现内容辨认填充，图像补全和修复。在这篇博客中，我会介绍 RaymondYeh 和 Chen Chen 等人的一篇论文，“基于感知和语境损掉的图像语义修补（Semantic Image Inpainting with Perceptual and ContextualLosses）”。论文在2016年7月26号宣布于 arXiv 上，介绍了若何应用 DCGAN 收集来进行图像补全。博文面向一般技巧背景的读者，部分内容须要有机械进修的背景。我在相干章节标注了[ML-Heavy]标签，如不雅你不想懂得太多细节，可以跳过这些章节。我们只会涉及到填充人脸图像缺掉部分的情况。博文相干 Tensorflow 代码已经宣布到 GitHub 上：bamos/dcgan-completion.tensorflow 。

图像补全分为三个步调。

• 起首我们将图像懂得为一个概率分布的样本。

• 基于这种懂得，进修若何生成伪图片。

• 应用photoshop来对图像缺掉部分补全，并应用photoshop主动删除不要的部分。

  下文将要介绍到的图像补全。图像的中间是主动生成的。源码可以大年夜此处下载。

  这些图像是我大年夜 LFW 数据集中取得的一个随机样本。

  第一步：将图像懂得为一个概率分布的样本

  1.你是如何补全缺掉信息的呢？

  在膳绫擎的例子中，想象你正在结垢荷琐可以填充缺掉部分的体系。你会怎么做呢？你认为仁攀类大年夜脑是怎么做的呢？你应用了什么样的信息呢？

  在博文中，我们会存眷两种信息：

  语境信息：你可以经由过程四周的像素来推想缺掉像素的信息。

  感知信息：你会用“正常”的部分来填充，比如你在实际生活中或其它图片上看到的样子。

  两者都很重要。没有语境信息，你怎么知道填充哪一个进去？没有感知信息，经由过程同样的高低文可以生成无数种可能。有些机械进修体系看起来“正常”的图片，仁攀类看起来可能不太正常。

  如不雅有一种确切的、直不雅的算法，可以捕获前文图像补全步调介绍中提到的两种属性，那就再好不过了。对于特定的情况，构造如许的算法是可行的。然则没有一般的办法。今朝最好的解决筹划是经由过程统计和机械进修来获得一个近似的技巧。

  2.然则如何着手统计呢？这些都是图像啊。

  为了激发大年夜家的思虑，我们年腋荷琐很好懂得、可以写成简洁情势的概率分布开端：一个正态分布。这是正态分布的概率密度函数（PDF）。你可以将PDF懂得成在输入空间横向移动，纵轴表示某个值出现的概率。（如不雅你感兴趣，绘制这幅图的代码可以大年夜 bamos/dcgan-completion.tensorflow:simple-distributions.py 下载。）

  大年夜正态分布中的采样

  

  符号pzpdatapg含义z的概率分布，简单、已知图像的概率分布(未知)，是图像数据样本的来源生成器G用来采样的概率分布，我们欲望pg==pdata符号含义pzz的概率分布，简单、已知pdata图像的概率分布(未知)，是图像数据样本的来源pg生成器G用来采样的概率分布，我们欲望pg==pdata

  这是1维分布，因为输入只能沿着一个维度。在两个维度上也可以这么做。

  在图像和统计学之间，最症桨?接洽就是，我们可以将图像看作是年腋荷琐高维概率分布中获得的采样。概率分布对应的是图像的像素。想象你在用相机拍┞氛。获得的图像是由有限个数的像素构成。当你经由过程相机拍┞氛的时刻，你就在大年夜这个复杂的概率分布中进行采样。这个概率分布就决定了我们断定一张图片是正常的，照样不正常的。对于图片而言，与正态分布不合的是，我们无法得知真实的概率分布，我们只能去收集样本。

  在这篇文┞仿中，我们会应用彩色图像，它用 RGB色彩 表示。我们的图像宽64像素，高64像素，所以我们的概率分布是 64⋅64⋅3≈12k 维的。

  起首推敲多变量正态分布，以求获得一些启发。给定 x=1 , 那么 y 最可能的值是什么？我们可以固定x的值，然后找到使PDF最大年夜的 y。

  【编辑推荐】

   1/10    1 2 3 4 5 6 下一页 尾页
  
  

  　　推荐阅读

  　　机器学习PAI实践三：雾霾成因分析

  一、背景本案其实是采取了两种不合的算法对于结不雅进行猜测，我们先来看看随机丛林这一分支。我们经由过程将数据集拆分，百分之八十的数据练习模型，百分之二十的数据猜测。最终模型的出>>>详细阅读

  
  

  本文标题：TensorFlow实现基于深度学习的图像补全

  地址：http://www.17bianji.com/lsqh/35350.html

   1/2    1