fire-GAN：基于生成对抗网络的火焰图像生成算法

作者：秦魁; 侯新国^*; 周锋; 闫正军; 卜乐平

来源：激光与光电子学进展, 2023, 60(12): 109-116.

• 生成对抗网络
• 生成火焰图像
• 火焰图像分割
• 圆形度损失函数
• 数据增强

针对生成对抗网络生成火焰图像质量不高、颜色难以控制的问题，基于HistoGAN算法，提出一种新的火焰生成算法（fire-GAN）。首先，在图像预处理环节添加火焰图像分割，使网络不受背景的干扰，能有效减少生成火焰发生形状变形、颜色失真的情况；其次，提出圆形度损失函数，使网络在训练过程中更加关注火焰轮廓的复杂度；最后，在生成器和判别器中均采取数据增强，使网络在训练过程中保持稳定，避免发生梯度爆炸。经实验测试，fire-GAN生成的火焰与目标火焰的RGB平均误差为2.6%,Fréchet inception distance(FID)为59.23,inception score(IS)为2.81。实验结果表明，fireGAN能生成与目标火焰图像颜色相近、清晰度好、真实性高的火焰图像。

• 单位
  中国人民解放军海军工程大学