一种基于自适应层实例归一化GAN的演唱会拍摄方法与流程

技术特征：
1.一种基于自适应层实例归一化gan的演唱会拍摄方法，其特征在于，包括如下步骤：步骤s1、分别采集演唱会舞台现场处于两种曝光强度下的、成像效果差的图像和视频数据集；步骤s2、搭建自适应层实例归一化的无监督生成对抗网络ugatit网络模型，确定模型参数，神经网络的损失函数，将模型性能优化至最佳；步骤s3、根据训练结果，优化ugatit网络模型，减小冗余度；步骤s4、使用设置好参数的专业相机和变焦镜头，以此获得画质较好的影像，提高ugatit图像转换的效果，最大限度地发挥ugatit网络模型的性能。2.根据权利要求1所述的一种基于自适应层实例归一化gan的演唱会拍摄方法，其特征在于，所述步骤s1具体实现如下：步骤s11、收集演唱会舞台现场拍摄过程中光线过曝的图像；步骤s12、收集昏暗的观众席拍摄到的欠曝的图像。3.根据权利要求1所述的一种基于自适应层实例归一化gan的演唱会拍摄方法，其特征在于，步骤s1中数据集收集所使用到的影像器材，包括照相机、摄像机、闪光灯、摄像灯、变焦镜头、定焦镜头、滤色镜、柔光箱、反光板、摄影灯、石英灯、快门线、相机滤镜、引闪器。4.根据权利要求1所述的一种基于自适应层实例归一化gan的演唱会拍摄方法，其特征在于，所述步骤s2具体实现如下：步骤s21、ugatit网络模型的生成器采用新的注意力机制，即采用全局和平均池化下的类激活图cam来实现；在position attention module中，通过ugatit网络的encode编码阶段得到的特征图a(c
×
h
×
w)，特征图首先通过卷积层得到3个特征图b，c，d，然后reshape为c
×
n，其中n＝h
×
w，之后将reshape后的b的转置与reshape后的c相乘再通过softmax得到spatial attention map s(n
×
n)，接着把s的转置与d做乘积再乘以尺度系数a再reshape为原来形状，最后与a相加得到最后的输出e；其中a初始化为0，并逐渐的学习分配到更大的权重；e的每个位置的值是原始特征每个位置的加权求和得到的；步骤s22、ugatit网络模型采用的新的正则化方式，即自适应图层实例归一化adalin，它是将自适应layer norm与instance norm结合起来；首先in和ln的归一化公式如下：然后将in和ln的归一化公式合并得到adalin的归一化公式：最后，为防止adalin的学习参数超出[0，1]的范围，对参数进行了区间裁剪：ρ
←
clip
[0，1]
(ρ
‑
τδρ)步骤s23、ugatit网络模型采用的判别器采用条件概率判别模型，即基于统计特性的判别方法，通过训练图像的特征获得条件概率分布，即样本x属于类别y的p(y|x)概率分布，随后输入图像的特征属于各个类别的条件概率，概率最大的那个类别就是该图像所属的类别；u
‑
gatit网络模型的判别器采用全局判别器和局部判别器的结合，通过extend将全局判
别器和局部判别器的结果进行连接。5.根据权利要求1所述的一种基于自适应层实例归一化gan的演唱会拍摄方法，其特征在于，所述步骤s3具体实现如下：步骤s31、ugatit网络模型对于图像到图像转换的损失函数有四个，包括对抗损失、循环一致性损失、身份损失、cam损失即交叉熵损失；步骤s32、去除ugatit网络模型的cycle部分，将ugatit网络模型简化成一个生成器和一个判别器配套使用；步骤s33、根据训练的结果调整特征值的权重，在ugatit网络模型中，生成器g用relu做激活，判别器d用leaky relu(slope＝0.2)激活；训练时，对lr前500个iterations固定1e
‑
4，然后线性衰减，共1000k个iterations，对权重的正则化项系数取0.02。6.根据权利要求1所述的一种基于自适应层实例归一化gan的演唱会拍摄方法，其特征在于，所述步骤s4具体实现如下：步骤s41、选用高感好的单反相机，提高感光度，增强进光量来缩短快门时间去凝固舞蹈动作的瞬间性；步骤s42、根据摄影席距离舞台中区的距离来决定变焦镜头选择的焦段，采用两只变焦镜头配合拍摄，选择70mm
‑
200mm镜头拍摄演出，同时配合24mm
‑
70mm镜头拍摄花絮；步骤s43、设置相机的参数来获取理想的曝光，快门不低于320，iso平衡在2000左右，使用大光圈来求得最大进光量，使用raw格式，采取点测光看曝光卡尺，开启自动白平衡。

技术总结
本发明涉及一种基于自适应层实例归一化GAN的演唱会拍摄方法。可以改善由于光线问题造成图像质量不佳的情况。U


技术研发人员：陈国栋 黄梅玲
受保护的技术使用者：福州大学
技术研发日：2021.10.21
技术公布日：2022/1/4