信息与电脑2023年第10期Information&Computer基于掩码损失的人脸图像生成方法人工智能与识别技术潘超林(江西工业职业技术学院电子与信息工程学院,江西南昌摘要:当前主流的基于生成对抗网络(GenerativeAdversarialNetwork,GAN)的图像生成方法,在生成真实度较高的人脸图像方面取得了显著进展,但在生成人脸图像的头发、牙齿等细节区域时易出现失真现象。针对存在的问题,提出掩码损失,并将其整合到StyleGAN2中。该损失函数通过人脸分割网络生成人脸掩码,基于掩码调整生成图像在细节和非细节区域的贡献程度,以提高细节区域的合成质量。实验结果表明,所提方法显著改善了头发、牙齿等细节区域的合成质量,提高了生成图像的真实度。关键词:生成对抗网络;人脸图像;细节区域;掩码损失中图分类号:TP391.41AMaksedLossFunctionforFacialImageGeneration330096)文献标识码:A文章编号:1003-9767(2023)10-191-04PANChaolin(SchoolofElectronicandInformationEngineering,JiangxiIndustryPolytechnicCollege,NanchangJiangxi330096,China)Abstract:CurrentmainstreamimagegenerationmethodsbasedonGenerativeAdversarialNetwork(GAN)havemadesignificantprogressingeneratinghigh-fidelityfacialimages.However,whengeneratingdetailedareassuchashairandteethinfacialimages,distortionissuearises.Tosolvethisissue,weproposeamaskedlossandintegrateitintoStyleGAN2.Themaskedlossgeneratesfacialmaskusingafacialsegmentationnetworkandadjuststheweightofthegeneratedimageinthedetailandnon-detailareasbasedonthismask,aimingtoimprovethequalityinthedetailedareas.Experimentalresultsdemonstratethattheproposedmethodsignificantlyimprovesthequalityofdetailedareassuchashairandteeth,therebyenhancingtherealismofthegeneratedimages.Keywords:generativeadversarialnetworks;facialimages;detailedareas;maskedlossfunction0引言图像生成是计算机视觉领域的重点研究方向,广泛应用于数据增强"、超分辨率重建[2]及图像编辑[3]等领域。深人研究图像生成有助于理解图像的生成过程,提升对图像内容和语义的理解,对于推动深度学习算法的发展具有重大意义。近年来,以生成对抗网络(GenerativeAdversarialNetwork,GAN)为代表的图像生成方法取得较好的效果[4-5]。这类方法由生成器和判别器组成,借鉴博奔思想,通过生成器学习已有...