Bestehende Generative Adversarial Networks (GANs) extrahieren bei der Hintergrundunschärfe häufig merkmalslos die gesamten Eingabebildmerkmale, wodurch es dem Netzwerk schwerfällt, Vorder- und Hintergrund zu unterscheiden, was zu Bildverzerrungen führt. Dieser Artikel schlägt eine Methode zur Hintergrundunschärfe vor, die das CycleGAN-Netzwerk mit bildwahrnehmungsgeführtem Ansatz verwendet, indem bildwahrnehmungsbezogene Informationen eingeführt werden, um die Modellleistung zu verbessern. Die bildwahrnehmungsbezogenen Informationen umfassen Aufmerksamkeitsinformationen und Tiefeninformationen: Erstere leitet das Netzwerk, verschiedene Vorder- und Hintergrundbereiche zu fokussieren, um sie zu unterscheiden; Letztere verstärkt die Wahrnehmung der Vordergrundziele, ermöglicht eine effektive intelligente Fokussierung und reduziert Bildverzerrungen, was einen besseren Unschärfeeffekt im Hintergrund gewährleistet. Durch Minimierung des adversarialen Verlusts und des Zyklus-Konsistenzverlusts kann ein übermäßiger Verlust von Tiefeninformationen vermieden und die generierte Bildqualität verbessert werden. Experimentelle Ergebnisse und Daten zeigen, dass die vorgeschlagene Methode während der Hintergrundunschärfe Vorder- und Hintergrund effektiv unterscheiden und Bildverzerrungen reduzieren kann, wodurch die Ergebnisse realistischer werden. Darüber hinaus wurde eine Bewertung mittels Fragebogen im Vergleich zu bestehenden Methoden durchgeführt. Die vorgeschlagene bildwahrnehmungsgeführte CycleGAN-Methode zur Hintergrundunschärfe übertrifft den Stand der Technik hinsichtlich der Bildqualität, Modellgröße und Generierungsgeschwindigkeit deutlich mit 56,10 MB bzw. 47 ms.

Hintergrundunschärfe;Bildwahrnehmung;CycleGAN-Netzwerk;intelligente Fokussierung