買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜杭州電子科技大學申請的專利一種基于分布估計的條件生成對抗網(wǎng)絡文本生成圖像方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN114332565B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-05-16發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202111670694.6，技術領域涉及：G06V10/774；該發(fā)明授權(quán)一種基于分布估計的條件生成對抗網(wǎng)絡文本生成圖像方法是由俞俊;劉貝利;丁佳駿;范建平;付圣祺;沈銘設計研發(fā)完成，并于2021-12-31向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于分布估計的條件生成對抗網(wǎng)絡文本生成圖像方法在說明書摘要公布了：本發(fā)明公開了一種基于分布估計的條件生成對抗網(wǎng)絡文本生成圖像方法用。本發(fā)明步驟如下：步驟1、數(shù)據(jù)預處理，提取文本數(shù)據(jù)的特征；步驟2、建立多階段的無條件和有條件聯(lián)合生成對抗神經(jīng)網(wǎng)絡和損失函數(shù)；步驟3、引入基于分布估計的損失函數(shù)；步驟4、模型訓練；根據(jù)得到的新的損失函數(shù)，在訓練過程中對判別器Di和生成器Gi進行交替訓練。本發(fā)明損失隱式地體現(xiàn)了單個文本生成無限次圖像的影響，優(yōu)化的目標為單個文本描述生成圖像的特征分布。通過估計單個文本描述生成的圖像的特征分布，來實現(xiàn)損失計算及梯度信息回傳。在多個模型和數(shù)據(jù)集上的實驗表明，基于分布估計的新?lián)p失函數(shù)能夠有效提升文本生成圖像模型的性能。

本發(fā)明授權(quán)一種基于分布估計的條件生成對抗網(wǎng)絡文本生成圖像方法在權(quán)利要求書中公布了：1.一種基于分布估計的條件生成對抗網(wǎng)絡文本生成圖像方法，其特征在于包括如下步驟：步驟1、數(shù)據(jù)預處理，提取文本數(shù)據(jù)的特征；步驟2、建立多階段的無條件和有條件聯(lián)合生成對抗神經(jīng)網(wǎng)絡和損失函數(shù)；步驟3、引入基于分布估計的損失函數(shù)；步驟4、模型訓練；根據(jù)得到的新的損失函數(shù)，在訓練過程中對判別器Di和生成器Gi進行交替訓練；步驟2具體實現(xiàn)如下：2-1采用DM-GAN作為基準模型，多階段的層疊網(wǎng)絡通過堆疊生成器和判別器來提高圖像的分辨率；對于模型的生成器，給定隨機噪聲z～N0,1和條件變量c，維度分別是100和256維；通過F0和Fi得到下一階段生成器的輸入h0＝F0c,z、hi＝Fihi-1,z，hi-1輸入下一階段生成器網(wǎng)絡Fi得到hi，其中Fi是生成器中的神經(jīng)網(wǎng)絡；F0由一個全連接層和四層卷積網(wǎng)絡構(gòu)成，F(xiàn)i由動態(tài)內(nèi)存寫入機制、兩個殘差模塊和一個卷積層構(gòu)成；對于生成器Gi，生成多階段分辨率的圖像的分別率大小分別是64×64,128×128和256×256；2-2聯(lián)合有條件和無條件生成對抗神經(jīng)網(wǎng)絡共同訓練，模型的目標函數(shù)包含兩項內(nèi)容，分別是無條件損失和條件損失；第i個階段判別器Di的損失定義如下： 相應的第i個階段的生成器Gi的損失也是由兩部分的損失組成， 其中xi是來自第i個階段真實圖像分布的圖像，si是生成器Gi生成的第i階段的虛假圖像，c是條件變量，E表示求數(shù)學期望；步驟3具體實現(xiàn)如下：為了實現(xiàn)對單個文本描述生成的圖像進行整體優(yōu)化，使用之前推導出的新的損失函數(shù)，該損失為一個易于計算的上界，是以概率分布的形式來隱式體現(xiàn)單個文本生成大量圖像的影響；生成器的損失定義如下： 其中wu，bu和wc，bc分別是無條件和有條件生成對抗神經(jīng)網(wǎng)絡的判別器網(wǎng)絡最后一層的權(quán)重和偏差；是無條件生成對抗神經(jīng)網(wǎng)絡生成的圖像，經(jīng)過判別器Di最后一層網(wǎng)絡前的特征；是條件生成對抗神經(jīng)網(wǎng)絡生成的圖像，經(jīng)過判別器Di最后一層網(wǎng)絡前的特征；其中i表示第i個階段，E表示求相應的數(shù)學期望，N表示樣本個數(shù)；假定單個文本描述生成的圖像的特征都屬于一個高斯分布，即和這里通過單個文本描述生成M′次圖像的來估計兩個分布的均值和協(xié)方差矩陣，其中M′＝4；生成器的損失在M趨向無窮后，推導出一個易于計算的形式，生成器的無條件損失和條件損失最后分別定義為如下： 對于判別器Di的條件和無條件損失，通過同樣的數(shù)學推導得到相應的損失上界，即： 其中αi和βi是真實圖像經(jīng)過判別器網(wǎng)絡的得到的特征；wu，bu和wc，bc分別是無條件和有條件生成對抗神經(jīng)網(wǎng)絡的判別器網(wǎng)絡最后一層的權(quán)重和偏差；和分別是特征和所屬的高斯分布的均值，和分別是特征和所屬的高斯分布的協(xié)方差；N表示樣本個數(shù)；最后根據(jù)引入概率分布來構(gòu)成損失函數(shù)，對每個階段的判別器Di和生成器Gi都使用基于分布估計的新?lián)p失函數(shù)，其中i＝0,1,2。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人杭州電子科技大學，其通訊地址為：310018 浙江省杭州市下沙高教園區(qū)2號大街；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。