1.Identity-Aware CycleGAN for Face Photo-Sketch Synthesis and Recognition
对原始图像X和生成的图像y_fake取感知损失。
原文:we utilize a perception loss constructed by the face features relating to the activations of the fc7-layer of the VGG-16
原文使用VGG16d的fc7-layer层作为损失函数的提取层。
2.Generative Adversarial Network-based Synthesis of Visible Faces from Polarimetric Thermal Faces
欧几里得LE(G)损失执行恢复可见图像,LE损失执行指导部分,对抗性损失保证更尖锐的结果,感知损失保存更多的照片现实的细节,身份损失保存更多的信息输出。总体损失函数的定义如下
Lall = LE + LE(G) + λALA + λP LP + λILI , λA=0.005作为对抗性损失系数,λP=0.8作为感知损失系数,λI=0.1作为身份损失系数。
在预先训练的VGG模型中,通过relu3-1层来评估感知损失。在微调后的VGG-Polar模型的relu2-2层上评估了身份损失。
3.AFD-StackGAN: Automatic Mask Generation Network for Face De-Occlusion Using StackGAN
利用VGG-19网络的中间卷积层特征图(conv_3、conv_4和conv_5)来获得丰富的结构信息,这有助于恢复人脸语义的可信结构。
4.一种基于深度学习的图像去雾方法
引入了感知损失Lp,生成网络利用提取到的特征,能生成更加精细的目标图像,此处感知损失由两部分组成,Lpg是水平和数值方向的梯度损失,Lpf表示特征损失;V1,V2是预训练过的VGG16的conv1和conv2层进行卷积操作后的特征图作为边缘提取;λpg、λpf为权重常数。