مروری بر تولید تصویر چهره با کیفیت بالا با استفاده از شبکه های مولد متخاصم(GAN) مبتنی بر بهینه سازی ازدحام ذرات (pso)

تولید تصویر چهره بر اساس شبکه های مولد متخاصم (۱GAN) یک موضوع تحقیقاتی داغ در بینایی کامپیوتر است. با این حال یکی از چالش های اصلی الگوریتم های موجود مبتنی بر GAN ، بی ثباتی آموزش و فروپاشی حالت آن هاست. با توجه به اینکه الگوریتم بهینه سازی ازدحام ذرات (PSO۲) توانایی بهینه سازی جهانی خوبی دارد، ما یک شبکه تضاد نسل مبتنی بر الگوریتم PSO برای بهبود پایداری آموزش پیشنهاد می دهیم. به طور خاص، وزن اینرسی ازدحام ذرات با استفاده از پارامترهای شبکه مولد نماینده ذرات در بهینه سازی ازدحام ذرات بهبود می یابد. این می تواند به بهبود همگرایی ذرات به سمت راه حل بهینه کمک کند. برای اطمینان از توانایی بهینه سازی ازدحام ذرات و تنوع جمعیت، درجه تجمع ذرات مورد قضاوت قرار می گیرد. این می تواند به حفظ جمعیت متنوع ذرات و جلوگیری از همگرایی زودرس کمک کند.علاوه بر این، عملکرد مولد را با ایجاد توابع ارزیابی کیفیت و تنوع ارزیابی می کند. این توابع می توانند به راهنمایی بهتر به روزرسانی تکراری بهینه سازی ازدحام ذرات کمک کنند و اطمینان حاصل کنند که تصاویر تولید شده واقعی و متنوع هستند.آزمایش تولید تصویر صورت بر روی مجموعه داده CelebA انجام شده است و نتایج تجربی اثربخشی را نشان می دهد و همچنین انعطاف روش پیشنهادی را نشان می دهد. نتایج تجربی نشان می دهد که این رویکرد قادر به تولید تصاویر چهره با کیفیت بالا و متنوع است.