一种基于条件生成对抗网络的高感知图像压缩方法

针对如何获得符合人类视觉感知的压缩图像问题,提出了基于条件生成对抗网络的图像压缩模型(HPIC).在HPIC中,首先利用一个超先验概率模型对原始图像进行编码量化,将条件附加标签和残差模块相结合的生成器用于压缩图像的重建,基于深度卷积神经网络搭建的判别器则用于区分压缩后的图像和真实图像间的差异.损失函数是基于比特率-失真-感知优化理论来设计的,一方面选用基于预训练Inception网络特征值的感知失真指标来实现具有高感知质量的图像压缩重建,另一方面利用生成对抗网络损失来消除压缩伪影,提高压缩精度.实验结果表明,HPIC在比特率-失真-感知三重权衡中取得了较好的平衡,即使目前的常见算法使用两倍于本文算法的比特率,本文算法在所有的感知指标得分上均优于前者,HPIC仍能够实现具有高感知质量的压缩.     

基于模拟退火算法的舰船中剖面优化设计

舰船中剖面优化设计中的设计变量应为连续和离散的混合变量,文中引入的模拟退火算法能很好地解决连续和离散混合设计变量的优化问题,将经过改进的模拟退火算法应用到舰船中剖面结构优化设计中,实船的优化计算算例取得了合理的结果,由此表明,应用模拟退火算法进行舰船中剖面结构优化设计是可行且高效的,可在工程结构优化设计领域中推广应用。