• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于多殘差動態(tài)融合生成對抗網(wǎng)絡(luò)的人臉素描-照片合成方法

    2022-04-06 07:57:06孫琦景單曉全張旭東
    模式識別與人工智能 2022年3期
    關(guān)鍵詞:特征方法

    孫 銳 孫琦景 單曉全 張旭東

    近年來,生物識別技術(shù)取得重大進展,由于數(shù)據(jù)收集的便利性與泛在性,人臉仍是應用廣泛的生物識別載體.由于人臉素描-照片的合成在執(zhí)法、刑事案件和數(shù)字娛樂等方面的廣泛應用,該方法成為一個熱門的研究領(lǐng)域.人臉素描-照片合成是指將特定的素描或照片的紋理和顏色信息應用于給定的輸入人臉圖像,同時保留身份特征.在無法獲得人臉素描或照片時,人臉素描-照片的合成就顯得十分重要.

    傳統(tǒng)的人臉素描-照片合成方法主要分為2種:基于數(shù)據(jù)驅(qū)動的方法和基于模型驅(qū)動的方法.基于數(shù)據(jù)驅(qū)動的素描人臉合成方法也稱為基于樣本的方法.例如:Liu等[1]提出基于子空間學習的局部線性嵌入(Locally Linear Embedding, LLE)方法,Wang等[2]提出基于馬爾可夫隨機場(Markov Random Field, MRF)方法.基于數(shù)據(jù)驅(qū)動的方法可生成與輸入照片對應的人臉素描,然而,在合成過程中需要復雜的計算及很多的數(shù)據(jù)進行訓練.一些重要的人臉特征,如眼鏡,可能會缺失在合成的人臉素描圖像中,因為在訓練的人臉圖像中這些特征可能未出現(xiàn).基于數(shù)據(jù)驅(qū)動的方法還會導致生成的圖像模糊,使生成的素描圖像通常缺少素描的紋理.基于模型驅(qū)動的方法主要有Chang等[3]提出的基于貝葉斯學習的方法和Zhang等[4]提出的基于貪婪搜索稀疏表示的方法.基于模型驅(qū)動的方法主要學習素描-照片合成的映射函數(shù),模型從訓練集中的素描-照片對學習素描圖像與照片圖像之間的映射關(guān)系,學習映射關(guān)系后,輸入素描或照片就可直接合成對應的照片或素描,無需在訓練數(shù)據(jù)中進行搜索,合成速度較快,但合成的圖像某些地方會丟失素描風格.

    由于深度學習技術(shù)的突破,卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)在許多計算機視覺任務中取得較大成功,包括人臉素描照片的合成.Zhang等[5]使用由6個卷積層組成的網(wǎng)絡(luò)學習從照片到素描的端到端非線性映射,但在合成結(jié)果中帶來嚴重的模糊效果和偽影.生成對抗網(wǎng)絡(luò)(Gene-rative Adversarial Networks, GAN)[6]和變分自動編碼器(Variational Auto-Encoder)[7]等生成模型因其強大生成能力,在圖像生成、圖像編輯和表示學習等方面取得較優(yōu)性能.Isola等[8]提出Pix2Pix,基于條件生成對抗網(wǎng)絡(luò)(Conditional GAN, cGAN),利用語義分割的標簽或圖像的邊緣合成圖像.Wang等[9]改進cGAN,對高分辨率圖像進行合成和語義處理.但是,這些方法都需要大量的成對圖像進行訓練.

    由于難以獲取源域和目標域之間成對標注的數(shù)據(jù),Zhu等[10]提出使用CycleGAN進行無監(jiān)督的圖像合成.Yi等[11]提出DualGAN,使用循環(huán)一致非配對圖像進行圖像到圖像的合成.Lu等[12]提出使用上下文生成對抗網(wǎng)絡(luò),學習素描圖像和相應照片圖像的聯(lián)合分布,指導圖像生成.Wang等[13]在GAN中使用反向投影策略,改進圖像到圖像的合成結(jié)果.Wang等[14]提出PS2MAN(Photo-Sketch Synthesis Using Multi-adversarial Networks).Chen等[15]提出半監(jiān)督的野外人臉素描合成框架,結(jié)合基于樣本的方法和GAN的優(yōu)點.Zheng等[16]提出特征編碼引導GAN的人臉素描合成方法.Babu等[17]提出CSGAN(Cyc-lic-Synthesized GAN),用于圖像到圖像的合成,使用域的合成圖像與另一個域的循環(huán)圖像之間的循環(huán)合成損失.Babu等[18]提出CDGAN(Cyclic Discrimi-native GAN),用于圖像到圖像的轉(zhuǎn)換.Han等[19]提出DCLGAN(Dual Contrastive Learning GAN),用于圖像到圖像的合成.Yi等[20]在分層生成器和判別器的基礎(chǔ)上,提出APDrawingGAN(Artistic Portrait Drawings GAN).Kim等[21]提出U-GAT-IT(Unsuper-vised Generative Attentional Networks with Adaptive Layer-Instance Normalization for Image-to-Image Trans-lation),以端到端的方式結(jié)合注意力模塊和可學習歸一化函數(shù).Zhu等[22]提出面部素描合成方法,結(jié)合生成概率圖形模型和判別深度補丁表示,共同對深度補丁表示的參數(shù)分布和素描補丁重建的參數(shù)分布進行建模.Zhu等[23]提出有效的知識蒸餾模型,提高合成圖像的質(zhì)量.Zhu等[24]提出用于面部照片-素描合成的協(xié)作框架,通過照片域與素描域兩者之間的相互映射指導圖像合成.

    但上述方法在生成高質(zhì)量的圖像方面存在局限性,這是因為它們在網(wǎng)絡(luò)前饋時會造成圖像細節(jié)特征信息的逐級丟失,并隨著網(wǎng)絡(luò)深度的增加,雖得到更多抽象的高級語義信息,但丟失幾何細節(jié)信息,出現(xiàn)合成的圖像面部模糊、顏色不一致、細節(jié)特征缺失等問題.

    為了解決上述問題,生成高質(zhì)量的合成圖像,本文提出基于多殘差動態(tài)融合生成對抗網(wǎng)絡(luò)的人臉素描-照片合成方法.使用2個生成器在素描人臉圖像與光學人臉圖像之間相互轉(zhuǎn)換,在生成器中加入多殘差動態(tài)融合網(wǎng)絡(luò),從不同的殘差密集模塊分別提取特征并進行殘差學習,根據(jù)每個多樣化殘差特征的不同生成對應的偏移量,依據(jù)偏移量指導卷積核的采樣位置,自適應地關(guān)注每個多樣化殘差特征中最重要的信息.在避免特征信息逐級丟失和冗余信息干擾的前提下,網(wǎng)絡(luò)可有效獲取圖像特征信息的多樣性,并使用多尺度感知損失、合成損失及循環(huán)一致?lián)p失約束合成圖像,使生成圖像與真實圖像在紋理、細節(jié)等方面更相似.在人臉素描數(shù)據(jù)庫和面部素描人臉識別技術(shù)數(shù)據(jù)庫上的大量實驗表明本文方法的有效性和優(yōu)越性.

    1 基于多殘差動態(tài)融合生成對抗網(wǎng)絡(luò)的人臉素描-照片合成方法

    1.1 方法概述

    GAN由生成器和判別器組成,生成器使用來自判別器子網(wǎng)絡(luò)的對抗性損失進行訓練.生成器的目標是產(chǎn)生盡可能真實的圖像,從而欺騙判別器.而判別器的目的是將生成器生成的樣本與真實樣本進行分類.理論上GAN可學習一種映射,產(chǎn)生與目標域相同分布的輸出,但是隨著網(wǎng)絡(luò)深度的增加,輸入的信息在網(wǎng)絡(luò)中逐級丟失,導致圖像的自然分布和學習模型分布之間的重疊減少,使合成的圖像存在清晰度較低、面部變形、顏色不一致等問題.這些問題會對后續(xù)的人臉識別帶來很大影響,所以本文設(shè)計多殘差動態(tài)融合生成對抗網(wǎng)絡(luò),如圖1所示,用于圖像合成.

    圖1 網(wǎng)絡(luò)總體結(jié)構(gòu)Fig.1 Overall structure of network

    網(wǎng)絡(luò)可自適應地提取豐富的圖像特征信息,并且對合成的圖像進行迭代細化,有效克服合成圖像細節(jié)特征不明顯、清晰度較低、缺乏真實感等問題.

    1.2 網(wǎng)絡(luò)結(jié)構(gòu)

    對于給定的數(shù)據(jù)集M,由2個不同域的n個成對的圖像組成,其中,A域表示人臉照片圖像,B域表示人臉素描圖像.素描-照片合成的目標是學習2個轉(zhuǎn)換函數(shù):將素描轉(zhuǎn)換成照片的函數(shù)A′=Fsp(B)、將照片轉(zhuǎn)換成素描的函數(shù)B′=Fps(A).

    本文網(wǎng)絡(luò)結(jié)構(gòu)包含2個生成器(GA和GB)、2個鑒別器(DA和DB)和1個特征提取網(wǎng)絡(luò).生成器GA的功能是將真實的人臉照片圖像RA轉(zhuǎn)換成人臉素描圖像FB=GA(RA);生成器GB將生成的人臉素描圖像FB轉(zhuǎn)換為循環(huán)的人臉照片圖像RecA=GB(FB).

    同理,人臉素描圖像轉(zhuǎn)換為人臉照片圖像的過程可表示為FA=GB(RB),RecB=GA(FA).

    在圖1中,生成器GA和GB合成的圖像FA和FB分別送入判別器DA和DB中判別真實性.從生成器GA和GB中得到64×64、128×128、256×256分辨率的圖像,分別送入特征提取網(wǎng)絡(luò)提取圖像特征.然后把不同分辨率的真實圖像也分別送入特征提取網(wǎng)絡(luò)提取特征,計算對應分辨率真實圖像與合成圖像的感知損失、真實圖像與合成圖像的合成損失和真實圖像與循環(huán)圖像的循環(huán)損失.

    1.3 生成器結(jié)構(gòu)

    生成器的結(jié)構(gòu)如圖1所示,前端由3個卷積層組成.第1個卷積層的卷積核尺寸為7×7,步長為1,在卷積操作前進行鏡像填充(ReflectionPad2d)操作.第2個卷積層和第3個卷積層的卷積核尺寸為3×3,步長為2,進行補零(Padding)操作.3個卷積層都采用Leaky ReLU激活函數(shù).通過3個卷積層對輸入的人臉圖像進行淺層特征提取,再將提取的淺層特征輸入本文網(wǎng)絡(luò)進行深度多樣化特征提取,自適應地提取輸入圖像最本質(zhì)的特征.最后通過反卷積進行上采樣,輸出合成的圖像.

    1.3.1 多殘差動態(tài)融合網(wǎng)絡(luò)

    多殘差動態(tài)融合網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示,它是由多個密集殘差塊組成不同的殘差網(wǎng)絡(luò),并對其輸出的殘差信息進行動態(tài)特征融合.第i個殘差學習

    Gi=Fn+Fi,

    其中,Fi表示第i個密集殘差模塊的輸出,Fn表示最后一個密集殘差模塊的輸出.多殘差動態(tài)融合的結(jié)果是

    M=H([G0,G1,…,Gn-1]),

    其中,H表示多殘差動態(tài)融合操作,是一個操作的復合函數(shù),如卷積和激活函數(shù)(ReLU).

    圖2 多殘差動態(tài)融合網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 Structure of multi-residual dynamic fusion network

    在視覺識別和圖像生成領(lǐng)域中,使用深度神經(jīng)網(wǎng)絡(luò)可提高性能,但隨著網(wǎng)絡(luò)深度的增加可能會出現(xiàn)性能下降、生成圖像質(zhì)量變差等問題,主要原因是輸入圖像經(jīng)過多層卷積,每經(jīng)過一層卷積會丟失一些信息,最終缺失輸入圖像的很多細節(jié)信息,導致重構(gòu)后的圖像質(zhì)量變差.本文網(wǎng)絡(luò)可有效解決上述問題.多殘差動態(tài)融合網(wǎng)絡(luò)由不同尺度的殘差網(wǎng)絡(luò)和動態(tài)融合模塊組成,將每個密集殘差模塊的輸出分別與最后的密集殘差模塊的輸出進行局部殘差學習,然后將不同層次的殘差特征進行動態(tài)特征融合.

    不同的密集殘差模塊輸出特征表征不同的信息,靠前的模塊輸出特征的幾何細節(jié)信息表征能力較強,但語義信息表征能力較弱,而靠后的模塊輸出特征具有更強的語義信息表征能力.這些特征相互作用,獲得有效的圖像信息,并且多殘差路徑將不同層次的特征傳遞到網(wǎng)絡(luò)的更深層中,可使不同層次的特征得到有效重用.但是將多樣化的殘差信息進行直接融合,會導致融合后的特征保留多樣化殘差特征之間大量的冗余信息,這些冗余信息會對合成圖像進行干擾,導致合成圖像質(zhì)量變差.而本文采用動態(tài)融合方式融合多樣化殘差特征,在卷積單元中增加偏移量,偏移量根據(jù)每個多樣化特征信息的不同動態(tài)生成,不同位置的卷積核會根據(jù)偏移量改變采樣點的位置,使網(wǎng)絡(luò)可自適應地獲得特征中最重要的信息,忽略特征中無用的冗余信息.融合后的特征保留多樣化殘差特征中最重要的部分,在避免特征信息逐級丟失和冗余信息干擾的前提下,有效整合幾何細節(jié)信息與高級語義信息,使經(jīng)過反卷積生成的人臉圖像面部細節(jié)保持得更好,清晰度更高,并減少生成圖像中偽影的出現(xiàn).

    本文采用通道連接的方式融合不同層次的殘差信息.如果直接將對應通道上的元素相加會忽略不同殘差信息之間的差異,而通道融合方式保留不同層次的殘差信息,增加描述圖像的特征數(shù),使重構(gòu)后的圖像面部細節(jié)完整、清晰度更高.將不同密集殘差塊與輸出之間進行殘差學習,可使不同的密集殘差塊輸出的信息無阻礙地傳遞到網(wǎng)絡(luò)的輸出處,網(wǎng)絡(luò)可充分利用不同密集殘差塊提取的層次特征,提高圖像分層特征的利用率,并且殘差結(jié)構(gòu)避免由于網(wǎng)絡(luò)過深引起的梯度消失和退化問題,加速網(wǎng)絡(luò)收斂.與此同時殘差網(wǎng)絡(luò)的剩余路徑有助于學習更好的非線性表達能力,而身份路徑有助于在訓練期間進行梯度反向傳播,更好地學習素描-照片兩者之間的轉(zhuǎn)換.

    1.3.2 動態(tài)融合模塊

    動態(tài)融合模塊由如下2個分支組成.1)偏移量分支.根據(jù)輸入特征生成對應的偏移量,第i個殘差特征對應的偏移量

    Δpmi=T(G0,G1,…,Gn-1),

    其中,T表示偏移量生成操作,在卷積核為3×3的卷積過程中,通過T生成n×18×h×w的特征圖.2)動態(tài)卷積分支.將不同位置的卷積核根據(jù)偏移量改變采樣點的位置,使經(jīng)過卷積后得到的特征圖是輸入特征圖中最重要的部分.輸入特征為x,輸出特征為y,則

    其中,R表示卷積核各點坐標的集合,w表示卷積核的權(quán)值,p0表示特征y中像素點的坐標,pm表示卷積核各點的坐標,融合結(jié)果

    M=D(y0,y1,…,yn-1),

    其中D表示卷積核為1×1的卷積操作.

    1.3.3 密集殘差模塊

    密集殘差模塊是由密集網(wǎng)絡(luò)和殘差網(wǎng)絡(luò)組合而成,通過密集的連接卷積層提取豐富的局部特征.密集殘差模塊由密集連接層、局部殘差兩部分組成,結(jié)構(gòu)如圖3所示.

    圖3 密集殘差模塊結(jié)構(gòu)圖Fig.3 Structure of dense residual module

    密集連接層是指拼接前面所有層的輸出作為下一層的輸入,將前一個密集殘差模塊的輸出傳遞給當前密集殘差模塊的每層,保證信息的重復利用.第d個密集殘差模塊的第i個卷積層的輸出為:

    Fd,i=σ(Wd,i[Fd-1,Fd,1,…,Fd,i-1]+bd,i),

    其中,Fj表示第j個密集殘差模塊的輸出,j=1,2,…,d-1,σ表示ReLU激活函數(shù),Wd,i和bd,i表示第i個卷積層的權(quán)值和偏差.

    局部殘差將前一個密集殘差模塊的輸出信息與當前密集殘差模塊中局部特征融合的信息結(jié)合,保證層級信息不被丟失,并且可進一步改善信息流,即

    Fd=Fd-1+Fd,LF,Fd,LF=Hd([Fd-1,Fd,1,…,Fd,i,…,Fd,I]),

    其中Hd表示第d個密集殘差模塊中1×1卷積層的函數(shù).

    1.4 判別器結(jié)構(gòu)

    本文使用的判別器是70×70的PatchGAN[5].網(wǎng)絡(luò)由5個卷積層組成,第1個卷積層由卷積和激活函數(shù)組成,中間3個卷積層都是由卷積-實例歸一化(Instance Norm)-激活函數(shù)組成,最后一個卷積層由一個卷積組成,PatchGAN將輸入的圖像映射為N×N的矩陣.

    普通的GAN的判別器是將輸入圖像映射成一個評價值.該值是對生成器生成的整幅圖像的評價,即輸入圖像為真實圖像的概率.而PatchGAN采用全卷積形式,輸入圖像經(jīng)過5個卷積層后最終并不會經(jīng)過全卷積層,而是使用卷積將其映射為N×N的矩陣.矩陣中的每個值對應輸入圖像中某一區(qū)域是否為真實樣本的概率.

    1.5 損失函數(shù)

    1.5.1 多尺度感知損失

    人臉素描-照片合成是指將特定的素描或照片的紋理和顏色信息應用于給定的輸入人臉圖像,同時保留身份特征.但是合成的圖像容易缺失素描人臉圖像或光學人臉圖像的紋理及顏色等風格信息,與真實圖像在視覺上存在較大差異.為了改善此問題,本文設(shè)計多尺度感知損失,提升合成圖像的視覺效果.該損失從不同的解碼器層提取特征,經(jīng)過反卷積,輸出不同分辨率的圖像,再將真實圖像也處理成相應分辨率的圖像,分別送入特征提取器中提取特征,計算對應分辨率的感知損失.

    多尺度感知損失的結(jié)構(gòu)如圖4所示.利用在ImageNet數(shù)據(jù)集上預訓練的VGG19網(wǎng)絡(luò)[25]作為特征提取基線網(wǎng)絡(luò),該網(wǎng)絡(luò)內(nèi)置在PyTorch平臺中,參數(shù)在訓練階段是固定的.VGG19網(wǎng)絡(luò)提取的深層表征具有較好的擴展性和泛化性,在風格遷移任務中效果[26-27]較優(yōu).

    本文將不同分辨率的真實圖像與合成圖像分別送入特征提取器中提取特征,在特征提取器ReLU2-2

    層提取一個特征,并在ReLU4-4層提取另一個特征,將對應分辨率的真實圖像提取的特征與生成圖像提取的特征通過LMSE進行對比.具體多尺度損失函數(shù)定義為

    其中,Lvgg,1表示從VGG19特征提取器的ReLU2-2層提取特征計算的感知損失,Lvgg,2表示從VGG19特征提取器的ReLU4-4層提取特征計算的感知損失,RA、RB表示真實圖像,FA、FB表示生成圖像,i對應不同的分辨率.

    圖4 多尺度感知損失結(jié)構(gòu)圖Fig.4 Structure of multi-scale perception loss

    本文任務是素描-照片兩者之間的轉(zhuǎn)換,多尺度感知損失可使生成的圖像更真實.通過預訓練好的VGG19網(wǎng)絡(luò)分別提取輸入圖像的ReLU2-2層特征和ReLU4-4層特征.ReLU2-2層提取的特征有利于生成圖像更接近真實圖像的顏色和邊緣,而ReLU4-4層提取特征有利于生成的圖像在全局結(jié)構(gòu)上與真實圖像更接近.本文采用多尺度感知損失,可從多個不同的分辨率水平約束生成的圖像,對不同分辨率的合成圖像與真實圖像分別提取不同層次的感知信息進行對比,使網(wǎng)絡(luò)可由粗到細地對合成圖像進行正則化約束,促使合成圖像更接近真實圖像,更好地克服合成圖像存在紋理缺失、顏色不一致及內(nèi)容丟失等問題.

    1.5.2 生成對抗損失

    本文采用LSGAN(Least Square GAN)[28]中引入的最小二乘損失作為生成對抗損失,最小二乘損失使GAN的訓練過程變得穩(wěn)定,產(chǎn)生高質(zhì)量的結(jié)果.生成器GA和判別器DA的對抗性損失為:

    LLSGANA=EB~Pdata(B)[(DA(RB)-1)2]+EA~Pdata(A)[DA(GA(RA))2].

    同理,生成器GB和判別器DB的對抗性損失為:

    LLSGANB=EA~Pdata(A)[(DB(RA)-1)2]+EB~Pdata(B)[DB(GB(RB))2].

    1.5.3 合成損失

    為了使生成圖像與真實圖像更相似,加入合成損失,使用L1損失對比真實圖像與合成圖像,函數(shù)定義為

    1.5.4 循環(huán)一致?lián)p失

    如同Zhu等[10]的討論,在足夠大的容量下,網(wǎng)絡(luò)中的映射函數(shù)很多,盡管使用對抗損失、合成損失和多尺度感知損失,但不能保證學習到的函數(shù)可將輸入圖像映射到所需輸出,所以本文加入循環(huán)一致?lián)p失,減少可能的映射函數(shù)空間.函數(shù)定義為

    綜上所述,本文最終的損失函數(shù)為對抗性損失、合成損失、循環(huán)一致?lián)p失和多尺度感知損失之和,最終損失函數(shù)的定義為

    L(GA,GB,DA,DB)=LLSGANA+LLSGANB+λLA+λLB+

    μLsynA+μLsynB+ηLcycA+ηLcycB,

    其中,λ、μ、η用于調(diào)整多尺度感知損失、合成損失及循環(huán)一致?lián)p失的權(quán)重.

    2 實驗及結(jié)果分析

    2.1 實驗數(shù)據(jù)集

    本文在CUFS人臉素描數(shù)據(jù)庫(CUHK Face Sketch Database, CUFS)[2]和CUFSF面部素描人臉識別技術(shù)數(shù)據(jù)庫(CUHK Face Sketch Face Recogni-

    tion Technology Database, CUFSF)[29]上進行定性和定量測試.CUFS數(shù)據(jù)庫包含606位志愿者,是一個廣泛使用的人臉素描圖像數(shù)據(jù)庫,包括來自CUHK(Chinese University of Hong Kong)學生數(shù)據(jù)庫的188幅人臉、來自AR(Aleix Martinez and Robert Benavente)數(shù)據(jù)庫的123幅人臉和M2VTS(Multi Modal Verification for Teleservices and Security Appli-

    cations)擴展數(shù)據(jù)庫(Extended M2VTS Database, XM2VTS)的295幅人臉.藝術(shù)家根據(jù)每人在正常光照下拍攝的正面姿勢照片繪制素描圖像,所繪素描都具有中性表情.CUHK學生數(shù)據(jù)庫上共有188對人臉圖像,100對圖像用于網(wǎng)絡(luò)訓練,88對圖像用于網(wǎng)絡(luò)測試.AR數(shù)據(jù)庫上共有123對人臉圖像,80對圖像用于網(wǎng)絡(luò)訓練,43對用于網(wǎng)絡(luò)測試.XM2VTS數(shù)據(jù)庫上共有295對人臉圖像,100對圖像用于網(wǎng)絡(luò)訓練,195對圖像用于網(wǎng)絡(luò)測試.

    CUFSF數(shù)據(jù)庫包括來自FERET數(shù)據(jù)庫的1 194位志愿者的數(shù)據(jù),每人都有一幅帶有光線變化的人臉照片和一幅由藝術(shù)家繪制的夸張形狀的素描.該數(shù)據(jù)集特別具有挑戰(zhàn)性,因為每人的照片都在光照不同的情況下進行拍攝,并且相比人臉照片,藝術(shù)家繪制的素描在形狀上變得夸張,但是CUFSF數(shù)據(jù)庫更接近真實的法醫(yī)素描場景.CUFSF數(shù)據(jù)庫上共有1 194對人臉圖像,800對人臉圖像用于訓練,394對人臉圖像用于測試.所有圖像都簡單地將眼睛中心對齊到固定位置,裁剪到256×256進行預處理.

    2.2 訓練細節(jié)

    實驗使用的硬件包括intel (R) Core (TM) i7 -8700CPU@ 3.20 GHz的CPU,16 GB內(nèi)存,NVIDIA GeForce GTX 1070 Ti的顯卡,操作系統(tǒng)為Ubuntu18.04,基于Pytorch框架,版本為1.6,使用python編程語言.

    在網(wǎng)絡(luò)的訓練過程中,輸入的每幅人臉圖像調(diào)整為256×256.網(wǎng)絡(luò)從初始狀態(tài)開始訓練,訓練200個周期,從第1輪到第100輪循環(huán)生成器和判別器的學習率設(shè)置為0.000 2,從第101輪到第200輪循環(huán)生成器和判別器的學習率線性衰減到0.批處理大小為1,網(wǎng)絡(luò)的初始權(quán)重從均值為0且標準差為0.02的高斯分布中初始化.損失函數(shù)的權(quán)重系數(shù)分別為λ=5,μ=5,η=10,網(wǎng)絡(luò)使用自適應矩估計(Adaptive Moment Estimation, Adam)[30]優(yōu)化器進行訓練.

    2.3 定性分析實驗

    為了驗證本文方法在人臉素描-照片合成時的有效性,選擇如下照片素描合成方法進行對比:Pix2Pix[8]、CycleGAN[10]、DualGAN[11]、PS2-MAN[14]、CSGAN[17]、CDGAN[18]、DCLGAN[19]、APDrawing-GAN[20]、U-GAT-IT[21].

    各方法在CUFS數(shù)據(jù)庫上的人臉照片和人臉素描合成結(jié)果如圖5和圖6所示.由圖可看出,Pix2Pix合成的圖像出現(xiàn)面部模糊不清晰、細節(jié)丟失等問題.CycleGAN合成圖像出現(xiàn)顏色不一致、偽影現(xiàn)象,素描圖像面部出現(xiàn)模糊.DualGAN合成圖像的面部總是出現(xiàn)嚴重噪聲.PS2-MAN合成圖像會模糊不清晰.CSGAN會導致生成的圖像出現(xiàn)顏色不一致及面部細節(jié)的缺失.CDGAN會使生成圖像面部器官發(fā)生變化及偽影的出現(xiàn).U-GAT-IT合成圖像面部不清晰、顏色不真實.APDrawingGAN合成的素描圖像模糊不清晰并出現(xiàn)內(nèi)容缺失.DCLGAN合成的圖像會出現(xiàn)顏色不一致、面部模糊及缺乏真實感.本文方法合成圖像可保留高頻細節(jié)、減少面部細節(jié)模糊,顏色紋理與真實圖像更接近,生成圖像更清晰.

    (a)輸入圖像(a)Input images

    (b)真實圖像(b)Real images

    (c)Pix2Pix

    (d)CycleGAN

    (e)DualGAN

    (f)PS2-MAN

    (g)CSGAN

    (h)CDGAN

    (i)U-GAT-IT

    (j)DCLGAN

    (k)本文方法(k)The proposed method圖5 各方法在CUFS數(shù)據(jù)庫上素描轉(zhuǎn)換為照片的結(jié)果Fig.5 Conversion results of sketch to photo by different methods on CUFS database

    (a)輸入圖像(a)Input images

    (b)真實圖像(b)Real images

    (c)Pix2Pix

    (d)CycleGAN

    (e)DualGAN

    (f)PS2-MAN

    (g)CSGAN

    (h)CDGAN

    (i)U-GAT-IT

    (j)APDrawingGAN

    (k)DCLGAN

    (l)本文方法 (l)The proposed method圖6 各方法在CUFS數(shù)據(jù)庫上照片轉(zhuǎn)換為素描的結(jié)果Fig.6 Conversion results of photo to sketch by different methods on CUFS database

    為了進一步表明本文方法在素描-照片合成上的有效性,在CUFSF數(shù)據(jù)庫上進行素描人臉合成對比,結(jié)果如圖7和圖8所示.在CUFSF數(shù)據(jù)庫上進行人臉素描-照片合成更具有挑戰(zhàn)性,因為在CUFSF數(shù)據(jù)庫上,相比真實圖像的特征,素描圖像具有過度夸張的特征.由圖可看出,Pix2Pix、Cycle-GAN、Dual-GAN、PS2-MAN、CSGAN、CDGAN、APDrawingGAN、DCLGAN生成的照片或素描都會出現(xiàn)不同程度的面部模糊、顏色不一致、輪廓不清晰、合成的圖像不真實等現(xiàn)象.U-GAT-IT合成的照片圖像面部模糊不清晰,但是合成的素描圖像效果較優(yōu).本文方法合成的照片或素描面部輪廓都較清晰、面部細節(jié)保持完整、視覺上更接近真實圖像.

    (a)輸入圖像(a)Input images

    (b)真實圖像(b)Real images

    (c)Pix2Pix

    (d)CycleGAN

    (e)DualGAN

    (f)PS2-MAN

    (g)CSGAN

    (h)CDGAN

    (i)U-GAT-IT

    (j)APDrawingGAN

    (k)DCLGAN

    (l)本文方法 (l)The proposed method圖7 各方法在CUFSF數(shù)據(jù)庫上素描轉(zhuǎn)換為照片的結(jié)果Fig.7 Conversion results of sketch to photo by different methods on CUFSF database

    (a)輸入圖像(a)Input images

    (b)真實圖像(b)Real images

    (c)Pix2Pix

    (d)CycleGAN

    (e)DualGAN

    (f)PS2-MAN

    (g)CSGAN

    (h)CDGAN

    (i)U-GAT-IT

    (j)APDrawingGAN

    (k)DCLGAN

    (l)本文方法 (l)The proposed method圖8 各方法在CUFSF數(shù)據(jù)庫上照片轉(zhuǎn)換為素描的結(jié)果Fig.8 Conversion results of sketch to photo by different methods on CUFSF database

    2.4 定量分析實驗

    為了說明本文方法的有效性,分別在CUFS、CUFSF數(shù)據(jù)庫上進行定量評估,采用結(jié)構(gòu)相似度(Structural Similarity, SSIM)、學習感知圖像塊相似度(Learned Perceptual Image Patch Similarity, LPIPS)、特征相似度(Feature Similarity,FSIM)衡量各方法生成圖像的質(zhì)量.

    SSIM通常用于對比人臉素描-照片合成中合成圖像與真實圖像之間的相似性.FSIM評估生成圖像與真實圖像的特征相似性.LPIPS強調(diào)感知相似性,計算真實圖像與生成圖像之間的距離.相比SSIM和FSIM,LPIPS更符合人類的感知情況.LPIPS值越低表示兩幅圖像越相似,否則差異越大.各方法在2個數(shù)據(jù)庫上合成的素描圖像和照片圖像的SSIM、FSIM、LPIPS值如表1~表3所示,表中使用黑色字體表示最優(yōu)值.

    由表1~表3可看出,在SSIM指標上,本文方法稍遜于U-GAT-IT,優(yōu)于其它方法.在FSIM指標上,本文方法在AR數(shù)據(jù)庫上合成照片及在XM2VTS、CUFSF數(shù)據(jù)庫上合成素描的指標值稍遜于U-GAT-IT,優(yōu)于其它方法.在LPIPS指標上,本文方法指標值最優(yōu).上述結(jié)果說明本文方法合成圖像更優(yōu),網(wǎng)絡(luò)通過對輸入圖像自適應地提取深層多樣化特征,使合成圖像與真實圖像在結(jié)構(gòu)和特征上更相似,在視覺上更接近真實圖像.

    表1 各方法在2個數(shù)據(jù)庫上的SSIM對比Table 1 SSIM comparison of different methods on 2 databases

    表2 各方法在2個數(shù)據(jù)庫上的FSIM對比Table 2 FSIM comparison of different methods on 2 databases

    表3 各方法在2個數(shù)據(jù)庫上的LPIPS對比Table 3 LPIPS comparison of different methods on 2 databases

    為了驗證本文方法合成圖像可在人臉識別上取得較優(yōu)結(jié)果,將各方法合成圖像進行人臉識別測試.人臉識別準確率是衡量合成人臉圖像質(zhì)量的有效指標.高質(zhì)量的合成人臉圖像具有較高的識別精度.本文采用主成分分析的方法進行人臉特征提取,再使用余弦相似度進行距離測量,計算匹配率.各方法在CUFS數(shù)據(jù)庫上合成圖像的識別率如圖9所示.

    由圖9可看出,在CUFS數(shù)據(jù)庫上,本文方法合成圖像的識別率更高,由此說明本文方法的有效性.通過多殘差動態(tài)融合網(wǎng)絡(luò)自適應地獲取輸入圖像深層多樣化特征,使經(jīng)過反卷積合成的圖像更好地保留人臉的面部特征,圖像細節(jié)信息更完整,紋理顏色更接近真實圖像.在人臉識別時能更好地與對應的真實人臉圖像匹配.

    (a)合成照片 (b)合成素描

    2.5 泛化分析

    為了驗證本文方法的魯棒性,通過搜索引擎從網(wǎng)絡(luò)中獲取一些真實場景下的人物照片,利用這些照片測試各方法的合成結(jié)果,如圖10所示.

    (a)輸入圖像(a)Input images

    (b)Pix2Pix

    (c)CycleGAN

    (d)DualGAN

    (e)PS2-MAN

    (f)CSGAN

    (g)CDGAN

    (h)U-GAT-IT

    (i)APDrawingGAN

    (j)DCLGAN

    (k)本文方法(k)The proposed method圖10 各方法泛化實驗結(jié)果對比Fig.10 Results comparison of generalization experiments of different methods

    由圖10可看出,其它方法合成的素描圖像都出現(xiàn)不同程度的模糊失真,UGATIT、DCLGAN合成的人臉圖像缺失素描圖像的風格.而本文方法在未經(jīng)過訓練的數(shù)據(jù)集上合成的素描圖像仍能保持較優(yōu)效果,并且合成的圖像質(zhì)量更高,表明本文方法具有較好的泛化能力.

    2.6 參數(shù)分析

    為了探究本文網(wǎng)絡(luò)中密集殘差塊數(shù)量的不同對生成效果的影響,分別對采用不同數(shù)量密集殘差塊的網(wǎng)絡(luò)進行訓練.采用SSIM、FSIM、LPIPS和人臉識別率評判不同參數(shù)值下合成人臉圖像的質(zhì)量,具體結(jié)果如表4所示.由表可看出,當密集殘差塊的數(shù)量增加時,合成圖像的質(zhì)量變優(yōu),但是當密集殘差塊數(shù)量增加到一定程度后,再增加模塊數(shù)量,合成圖像的質(zhì)量就會變差.由表可知,當密集殘差塊數(shù)量取值為20時,合成圖像的質(zhì)量最高.

    表4 不同密集殘差塊數(shù)量合成圖像的指標值對比Table 4 Index comparison of synthesized images with different numbers of dense residual blocks

    2.7 消融實驗

    為了更好地探究本文的多殘差動態(tài)融合網(wǎng)絡(luò)和多尺度感知損失對合成圖像的影響,分別進行CycleGAN、CycleGAN+感知損失、CycleGAN+密集殘差塊、CycleGAN+多尺度感知損失、CycleGAN+多殘差動態(tài)融合網(wǎng)絡(luò)和本文方法的實驗對比.由于本文方法使用成對圖像,在網(wǎng)絡(luò)中使用合成損失而未使用身份保持損失,所以將原CycleGAN中的身份保持損失替換為合成損失.各方法在CUFS數(shù)據(jù)庫上的合成圖像如圖11所示.

    (a)輸入圖像(a)Input images

    (b)真實圖像(b)Real images

    (c)CycleGAN

    (d)CycleGAN+感知損失(d)CycleGAN+Perception loss

    (e)CycleGAN+密集殘差塊(e)CycleGAN+Dence residual block

    (f)CycleGAN+多尺度感知損失(f)CycleGAN+Multi-scale perception loss

    (g)CycleGAN+多殘差動態(tài)融合網(wǎng)絡(luò)(g)CycleGAN+Multi-residual dynamic fusion network

    (h)本文方法(h)The proposed method圖11 各方法的消融實驗結(jié)果對比Fig.11 Results comparison of ablation experiments of different methods

    由圖11可看出,將CycleGAN中的殘差網(wǎng)絡(luò)替換成密集殘差網(wǎng)絡(luò)后,合成圖像質(zhì)量變差,因為單方面的增加網(wǎng)絡(luò)深度并不能提高合成圖像的質(zhì)量.在CycleGAN中加入感知損失后,合成圖像質(zhì)量有所提高.而將多尺度感知損失加入CycleGAN后,合成圖像視覺效果優(yōu)于Cycle-GAN,更接近真實圖像,更好地克服合成圖像存在紋理缺失、顏色不一致及輪廓不清晰等問題.相比單尺度感知損失合成的圖像,多尺度感知損失在紋理細節(jié)、顏色與輪廓等方面表現(xiàn)更優(yōu).將CycleGAN中的殘差網(wǎng)絡(luò)替換為多殘差動態(tài)融合網(wǎng)絡(luò)后,合成圖像更好地保留輸入圖像的特征信息,使合成圖像面部特征更完整,細節(jié)特征更清晰.但是多殘差動態(tài)融合網(wǎng)絡(luò)合成的圖像紋理會有一定缺失,所以加入多尺度感知損失可改善合成圖像的紋理效果.

    為了更直觀地說明多殘差動態(tài)融合網(wǎng)絡(luò)和多尺度感知損失兩部分的有效性,對CycleGAN、Cycle-GAN+感知損失、CycleGAN+密集殘差塊、CycleGAN+多尺度感知損失、CycleGAN+多殘差動態(tài)融合網(wǎng)絡(luò)及本文方法的合成圖像進行定量分析.在CUFS數(shù)據(jù)庫上合成圖像的SSIM、FSIM、LPIPS值如表5和表6所示.

    表5 各方法在CUFS數(shù)據(jù)庫上合成照片的指標值對比Table 5 Index comparison of photos synthesized by different methods on CUFS database

    表6 各方法在CUFS數(shù)據(jù)庫上合成素描的指標值對比Table 6 Evaluation index comparison of sketches synthesized by different methods on CUFS database

    由表5和表6可看出,使用密集殘差網(wǎng)絡(luò)替換殘差網(wǎng)絡(luò)合成圖像質(zhì)量相對較差,在CycleGAN中加入感知損失后合成圖像質(zhì)量有所提高,但相比加入多尺度感知損失后,合成圖像的質(zhì)量提升有限.在基線網(wǎng)絡(luò)中加入多尺度感知損失后合成圖像的LPIPS值低于基線網(wǎng)絡(luò)和多殘差動態(tài)融合網(wǎng)絡(luò),說明多尺度感知損失可使合成圖像在視覺上更接近真實圖像,大幅改善圖像視覺效果.而加入多殘差動態(tài)融合網(wǎng)絡(luò)合成圖像在SSIM、FSIM指標上都取得最優(yōu)結(jié)果,說明多殘差動態(tài)融合網(wǎng)絡(luò)合成圖像在結(jié)構(gòu)和特征上與真實圖像更接近,大幅提高合成圖像的質(zhì)量.上述實驗說明說多殘差動態(tài)融合網(wǎng)絡(luò)和多尺度感知損失的有效性.

    3 結(jié) 束 語

    本文提出基于多殘差動態(tài)融合生成對抗網(wǎng)絡(luò)的人臉素描-照片合成方法.網(wǎng)絡(luò)中兩個生成器和兩個判別器循環(huán)工作并相互約束.在生成器中融入設(shè)計的多殘差動態(tài)融合網(wǎng)絡(luò),對輸入圖像提取豐富的多樣化特征信息,減少在網(wǎng)絡(luò)傳播中造成的逐級特征信息丟失,通過動態(tài)融合方式有效去除多樣化特征信息中的冗余信息,減少冗余信息對合成圖像的干擾.同時設(shè)計多尺度感知損失,對網(wǎng)絡(luò)提供額外的正則化,對不同分辨率的合成圖像進行由粗到細的迭代細化,促使合成圖像與真實圖像具有相同的風格,使生成器生成更自然逼真的圖像.在CUFS、CUFSF數(shù)據(jù)庫上的定性分析和定量評估結(jié)果表明,本文方法可合成面部清晰、細節(jié)完整、顏色一致的高質(zhì)量圖像,具有良好的魯棒性.今后將進一步研究人臉圖像的多風格化合成.

    猜你喜歡
    特征方法
    抓住特征巧觀察
    新型冠狀病毒及其流行病學特征認識
    如何表達“特征”
    不忠誠的四個特征
    當代陜西(2019年10期)2019-06-03 10:12:04
    學習方法
    抓住特征巧觀察
    可能是方法不對
    用對方法才能瘦
    Coco薇(2016年2期)2016-03-22 02:42:52
    四大方法 教你不再“坐以待病”!
    Coco薇(2015年1期)2015-08-13 02:47:34
    賺錢方法
    欧洲精品卡2卡3卡4卡5卡区| 全区人妻精品视频| 黄片wwwwww| 97超视频在线观看视频| 中国美女看黄片| 欧美3d第一页| 日韩成人伦理影院| 村上凉子中文字幕在线| 波多野结衣高清作品| 男女视频在线观看网站免费| 亚洲欧美精品综合久久99| 亚洲精华国产精华液的使用体验 | 国产熟女欧美一区二区| 久久久久久久久大av| 女人十人毛片免费观看3o分钟| 日韩亚洲欧美综合| 黄色欧美视频在线观看| 国产成人精品久久久久久| 国产蜜桃级精品一区二区三区| 日韩成人av中文字幕在线观看 | 国内揄拍国产精品人妻在线| 免费人成视频x8x8入口观看| 老司机福利观看| 亚洲av成人精品一区久久| 日韩欧美在线乱码| 看免费成人av毛片| 午夜福利在线观看免费完整高清在 | 一边摸一边抽搐一进一小说| 亚洲欧美中文字幕日韩二区| 精品无人区乱码1区二区| 99热全是精品| 精品无人区乱码1区二区| 亚洲欧美中文字幕日韩二区| 人妻少妇偷人精品九色| 99热6这里只有精品| 午夜精品国产一区二区电影 | 97在线视频观看| 精品午夜福利在线看| or卡值多少钱| 日日干狠狠操夜夜爽| 久久久久国内视频| 国产淫片久久久久久久久| 久久精品国产亚洲网站| 久久人妻av系列| 国产探花极品一区二区| 嫩草影视91久久| 日韩中字成人| 97在线视频观看| 日韩av在线大香蕉| 国产人妻一区二区三区在| 最新在线观看一区二区三区| 老女人水多毛片| 波多野结衣巨乳人妻| 欧美激情久久久久久爽电影| 国产午夜福利久久久久久| av在线观看视频网站免费| 一区福利在线观看| 国产一区二区在线av高清观看| 超碰av人人做人人爽久久| 99久国产av精品国产电影| 麻豆乱淫一区二区| 直男gayav资源| 尾随美女入室| 国产女主播在线喷水免费视频网站 | 国内精品一区二区在线观看| 插逼视频在线观看| 色哟哟哟哟哟哟| 亚洲中文字幕一区二区三区有码在线看| 97碰自拍视频| 国产伦精品一区二区三区视频9| 亚洲精品粉嫩美女一区| 国产黄色小视频在线观看| 午夜免费激情av| 亚洲欧美精品综合久久99| 成人综合一区亚洲| 国产午夜精品论理片| 精品一区二区三区视频在线观看免费| 婷婷精品国产亚洲av在线| 久久中文看片网| 我的女老师完整版在线观看| 亚洲国产欧洲综合997久久,| 欧美性感艳星| 天天躁日日操中文字幕| 毛片一级片免费看久久久久| 欧美成人一区二区免费高清观看| 狠狠狠狠99中文字幕| 亚洲av熟女| 校园人妻丝袜中文字幕| 欧美xxxx黑人xx丫x性爽| 日韩欧美精品免费久久| 日韩欧美精品免费久久| 非洲黑人性xxxx精品又粗又长| 国产av一区在线观看免费| av天堂中文字幕网| 91麻豆精品激情在线观看国产| 男人的好看免费观看在线视频| 久久久a久久爽久久v久久| 三级国产精品欧美在线观看| 久久久精品欧美日韩精品| 午夜激情福利司机影院| 国产高清三级在线| 久久久色成人| 亚洲av一区综合| 校园人妻丝袜中文字幕| 18禁裸乳无遮挡免费网站照片| 日本欧美国产在线视频| 可以在线观看的亚洲视频| 成人鲁丝片一二三区免费| 欧美国产日韩亚洲一区| 国内精品久久久久精免费| 亚洲欧美成人精品一区二区| 日韩精品中文字幕看吧| 免费观看在线日韩| 国产av在哪里看| 日韩欧美一区二区三区在线观看| 欧美日韩乱码在线| 99热这里只有精品一区| 欧美区成人在线视频| 亚洲熟妇中文字幕五十中出| 久久国内精品自在自线图片| 日本三级黄在线观看| 国产黄片美女视频| 深夜a级毛片| 舔av片在线| 性欧美人与动物交配| 亚洲av五月六月丁香网| 女生性感内裤真人,穿戴方法视频| 成年免费大片在线观看| 看片在线看免费视频| 亚洲中文字幕日韩| 91av网一区二区| 变态另类丝袜制服| 日本a在线网址| 一本一本综合久久| aaaaa片日本免费| 久久久久久久久久久丰满| 欧美绝顶高潮抽搐喷水| 1000部很黄的大片| 久久久久国产网址| 国产精品99久久久久久久久| 国产高潮美女av| 我的女老师完整版在线观看| av在线天堂中文字幕| 亚洲精品影视一区二区三区av| 亚洲国产精品成人久久小说 | 国产精品一区www在线观看| 天堂影院成人在线观看| 看片在线看免费视频| 欧美3d第一页| 亚洲人成网站高清观看| 国产免费男女视频| 两个人的视频大全免费| 日本色播在线视频| 久久久久久久午夜电影| 久久天躁狠狠躁夜夜2o2o| 啦啦啦啦在线视频资源| 午夜精品一区二区三区免费看| 欧美日本视频| 免费观看在线日韩| 国产伦精品一区二区三区视频9| 中文字幕熟女人妻在线| 亚洲欧美清纯卡通| 干丝袜人妻中文字幕| 天堂网av新在线| 亚洲成人av在线免费| 男女做爰动态图高潮gif福利片| 丝袜美腿在线中文| 色尼玛亚洲综合影院| 国产免费一级a男人的天堂| 俄罗斯特黄特色一大片| 丝袜喷水一区| eeuss影院久久| 亚洲va在线va天堂va国产| 免费人成在线观看视频色| 2021天堂中文幕一二区在线观| 亚洲aⅴ乱码一区二区在线播放| 国产aⅴ精品一区二区三区波| 国产高清视频在线播放一区| 日韩av在线大香蕉| 亚洲美女搞黄在线观看 | 欧美3d第一页| 99热这里只有精品一区| 人人妻人人看人人澡| 国产高潮美女av| 欧美日韩在线观看h| 欧美激情在线99| 国内久久婷婷六月综合欲色啪| 久久久a久久爽久久v久久| 伦理电影大哥的女人| 亚洲av中文av极速乱| 天堂动漫精品| 午夜老司机福利剧场| 干丝袜人妻中文字幕| 久久久精品大字幕| av在线蜜桃| 国产欧美日韩精品亚洲av| 国产亚洲欧美98| 日韩欧美在线乱码| 国产av麻豆久久久久久久| 在线免费十八禁| 精品久久久久久久久久久久久| 日韩在线高清观看一区二区三区| 在线观看av片永久免费下载| 亚洲熟妇熟女久久| 精品欧美国产一区二区三| 国内精品久久久久精免费| av在线蜜桃| 乱人视频在线观看| 国产黄色视频一区二区在线观看 | 女生性感内裤真人,穿戴方法视频| 国产亚洲av嫩草精品影院| 久久精品国产鲁丝片午夜精品| 国产白丝娇喘喷水9色精品| 成人毛片a级毛片在线播放| 亚洲综合色惰| 中国美女看黄片| 久久久久精品国产欧美久久久| 在线观看66精品国产| 亚洲av.av天堂| 亚洲国产高清在线一区二区三| 一区福利在线观看| 嫩草影院入口| 日本三级黄在线观看| 日本成人三级电影网站| 精华霜和精华液先用哪个| а√天堂www在线а√下载| 日本撒尿小便嘘嘘汇集6| 啦啦啦观看免费观看视频高清| 寂寞人妻少妇视频99o| 深夜精品福利| 久久久色成人| 啦啦啦韩国在线观看视频| 永久网站在线| 五月玫瑰六月丁香| 99久国产av精品国产电影| 午夜精品一区二区三区免费看| 身体一侧抽搐| 精品午夜福利在线看| 1024手机看黄色片| 亚洲在线自拍视频| 国产女主播在线喷水免费视频网站 | 国产精品一及| 99久久精品国产国产毛片| 国产综合懂色| 亚洲中文字幕一区二区三区有码在线看| 久久精品影院6| 亚洲最大成人手机在线| 国产探花在线观看一区二区| 一进一出抽搐gif免费好疼| 亚洲内射少妇av| 51国产日韩欧美| 波多野结衣巨乳人妻| 亚洲激情五月婷婷啪啪| 国产一区二区三区在线臀色熟女| 最近的中文字幕免费完整| 美女被艹到高潮喷水动态| 嫩草影视91久久| 美女xxoo啪啪120秒动态图| 亚洲久久久久久中文字幕| 两性午夜刺激爽爽歪歪视频在线观看| 亚洲成人精品中文字幕电影| 搡老妇女老女人老熟妇| 国产精品久久电影中文字幕| 国产精品一区二区三区四区免费观看 | 成人漫画全彩无遮挡| 成人鲁丝片一二三区免费| 色综合色国产| 久久亚洲精品不卡| 18禁裸乳无遮挡免费网站照片| 99热这里只有是精品50| 国产精品一区二区性色av| 国产男人的电影天堂91| 亚洲成人久久爱视频| 国产在线男女| av在线观看视频网站免费| 最近中文字幕高清免费大全6| 亚洲图色成人| 精品熟女少妇av免费看| 亚洲精品粉嫩美女一区| 秋霞在线观看毛片| 久久精品国产亚洲av涩爱 | 国产精品国产三级国产av玫瑰| 午夜福利在线观看吧| 男女那种视频在线观看| 国产一级毛片七仙女欲春2| 99在线人妻在线中文字幕| 性色avwww在线观看| 国产色婷婷99| 午夜福利高清视频| a级毛片免费高清观看在线播放| 97超级碰碰碰精品色视频在线观看| 久久久欧美国产精品| 亚洲成人精品中文字幕电影| 日韩av在线大香蕉| 久久久久精品国产欧美久久久| 久久精品91蜜桃| АⅤ资源中文在线天堂| 午夜爱爱视频在线播放| 97超碰精品成人国产| 免费看a级黄色片| 日日干狠狠操夜夜爽| 亚洲第一电影网av| 成人特级黄色片久久久久久久| 在线免费观看的www视频| 成人av在线播放网站| 伦理电影大哥的女人| 深夜精品福利| 久久久色成人| 麻豆一二三区av精品| 国产高潮美女av| 亚洲最大成人av| 亚洲一区高清亚洲精品| 亚洲最大成人中文| 国产精品一及| av女优亚洲男人天堂| 亚洲欧美成人精品一区二区| 精品人妻视频免费看| 六月丁香七月| 成人美女网站在线观看视频| 我的老师免费观看完整版| a级毛片a级免费在线| 99热这里只有是精品在线观看| 久久久久国产网址| av免费在线看不卡| 亚洲国产精品成人久久小说 | 欧美+日韩+精品| 亚洲欧美成人综合另类久久久 | 在线观看一区二区三区| 日本一二三区视频观看| 一级毛片aaaaaa免费看小| 欧美日本亚洲视频在线播放| 99riav亚洲国产免费| 99热精品在线国产| 深夜a级毛片| 女人十人毛片免费观看3o分钟| 中文在线观看免费www的网站| 欧美三级亚洲精品| 亚洲无线在线观看| 女的被弄到高潮叫床怎么办| 网址你懂的国产日韩在线| av免费在线看不卡| 午夜激情福利司机影院| 欧美激情久久久久久爽电影| 国产精品免费一区二区三区在线| 久99久视频精品免费| 国产精品亚洲美女久久久| 国产伦精品一区二区三区视频9| 麻豆成人午夜福利视频| 伊人久久精品亚洲午夜| 91麻豆精品激情在线观看国产| 久久久欧美国产精品| 亚洲精品亚洲一区二区| 毛片一级片免费看久久久久| av专区在线播放| 日产精品乱码卡一卡2卡三| 中国美女看黄片| 亚洲成av人片在线播放无| 日韩制服骚丝袜av| 亚洲欧美中文字幕日韩二区| 日本熟妇午夜| 国产黄a三级三级三级人| 晚上一个人看的免费电影| 国产成人精品久久久久久| 我要搜黄色片| 国产色婷婷99| 黄片wwwwww| 午夜爱爱视频在线播放| 大香蕉久久网| 久久精品综合一区二区三区| 99热这里只有精品一区| 国内少妇人妻偷人精品xxx网站| av视频在线观看入口| 国产探花在线观看一区二区| 久久精品国产自在天天线| 国产欧美日韩一区二区精品| av在线亚洲专区| 亚洲精品色激情综合| 免费黄网站久久成人精品| 22中文网久久字幕| 久久综合国产亚洲精品| 国产综合懂色| 亚洲成人精品中文字幕电影| 久久午夜亚洲精品久久| 国产成人一区二区在线| 人人妻人人澡欧美一区二区| 综合色av麻豆| 99久久成人亚洲精品观看| 亚洲,欧美,日韩| 少妇丰满av| 少妇人妻精品综合一区二区 | 99久久成人亚洲精品观看| 亚洲乱码一区二区免费版| 亚洲精品国产av成人精品 | а√天堂www在线а√下载| 国产激情偷乱视频一区二区| 久久精品国产清高在天天线| 最新在线观看一区二区三区| av在线蜜桃| 亚洲高清免费不卡视频| 亚洲欧美成人精品一区二区| 国产精品一及| 男人狂女人下面高潮的视频| 国产精品一区二区性色av| 少妇猛男粗大的猛烈进出视频 | 成年av动漫网址| 大型黄色视频在线免费观看| 欧美成人一区二区免费高清观看| 亚洲性久久影院| 国产一区亚洲一区在线观看| 如何舔出高潮| 男女啪啪激烈高潮av片| 亚洲高清免费不卡视频| 国产探花极品一区二区| 成人特级av手机在线观看| 真实男女啪啪啪动态图| 黄片wwwwww| 美女高潮的动态| 天天躁夜夜躁狠狠久久av| 久久久久九九精品影院| 国产精品99久久久久久久久| 欧美一区二区国产精品久久精品| 久久久精品大字幕| 日日撸夜夜添| 极品教师在线视频| 91午夜精品亚洲一区二区三区| 国产成人影院久久av| 一个人看视频在线观看www免费| 有码 亚洲区| 级片在线观看| 亚洲成人中文字幕在线播放| 可以在线观看的亚洲视频| 日本黄色视频三级网站网址| 91久久精品国产一区二区成人| 小蜜桃在线观看免费完整版高清| 日韩欧美三级三区| 九九爱精品视频在线观看| 亚洲欧美日韩无卡精品| 少妇人妻精品综合一区二区 | 国产精品99久久久久久久久| 舔av片在线| 午夜免费男女啪啪视频观看 | 变态另类成人亚洲欧美熟女| 日本欧美国产在线视频| 人人妻,人人澡人人爽秒播| 女人被狂操c到高潮| 午夜a级毛片| 中文在线观看免费www的网站| 亚洲熟妇中文字幕五十中出| 97超碰精品成人国产| 两个人视频免费观看高清| av天堂中文字幕网| 99在线视频只有这里精品首页| 日日啪夜夜撸| 九九爱精品视频在线观看| 久久久久久久久久黄片| 日韩一区二区视频免费看| 国产精品爽爽va在线观看网站| 欧美激情国产日韩精品一区| 亚洲精品影视一区二区三区av| 午夜福利在线观看免费完整高清在 | 亚洲成a人片在线一区二区| 深夜a级毛片| 亚洲第一电影网av| 变态另类丝袜制服| 日韩国内少妇激情av| 一区二区三区免费毛片| 国产精品综合久久久久久久免费| 麻豆av噜噜一区二区三区| 日韩精品有码人妻一区| 大又大粗又爽又黄少妇毛片口| a级毛片a级免费在线| 国产午夜精品论理片| 69av精品久久久久久| 欧美日韩一区二区视频在线观看视频在线 | 午夜福利在线观看吧| 永久网站在线| 欧美丝袜亚洲另类| www日本黄色视频网| 观看免费一级毛片| 欧美一区二区国产精品久久精品| 亚洲最大成人中文| 男女之事视频高清在线观看| 午夜老司机福利剧场| 日本欧美国产在线视频| av在线亚洲专区| 我要看日韩黄色一级片| 99久久精品一区二区三区| 国产蜜桃级精品一区二区三区| 晚上一个人看的免费电影| avwww免费| 九九爱精品视频在线观看| 亚洲美女视频黄频| 亚洲欧美精品综合久久99| 婷婷色综合大香蕉| 人妻久久中文字幕网| 搡女人真爽免费视频火全软件 | 国产精品野战在线观看| 国国产精品蜜臀av免费| 波多野结衣巨乳人妻| 亚洲最大成人av| 日韩成人伦理影院| 成年av动漫网址| 亚洲成人中文字幕在线播放| 国产亚洲欧美98| 久久人人精品亚洲av| 久久精品国产99精品国产亚洲性色| 最好的美女福利视频网| 麻豆乱淫一区二区| 神马国产精品三级电影在线观看| 最近的中文字幕免费完整| 大型黄色视频在线免费观看| 狂野欧美白嫩少妇大欣赏| 亚洲精品亚洲一区二区| 97超级碰碰碰精品色视频在线观看| 蜜臀久久99精品久久宅男| 性欧美人与动物交配| 亚洲国产精品sss在线观看| 欧美成人免费av一区二区三区| 久久国产乱子免费精品| 女的被弄到高潮叫床怎么办| 久久精品久久久久久噜噜老黄 | 久久久精品欧美日韩精品| 国产精品不卡视频一区二区| 欧美一区二区亚洲| 国产精品亚洲美女久久久| 精品免费久久久久久久清纯| 久久久久国产精品人妻aⅴ院| 日日摸夜夜添夜夜爱| 99久久九九国产精品国产免费| 国产成人a∨麻豆精品| 婷婷精品国产亚洲av| 国产精品久久视频播放| 亚洲精品一卡2卡三卡4卡5卡| 一区二区三区免费毛片| 亚洲人成网站在线播放欧美日韩| 99久久精品国产国产毛片| 亚洲一区二区三区色噜噜| 麻豆成人午夜福利视频| 老熟妇仑乱视频hdxx| 美女 人体艺术 gogo| 蜜臀久久99精品久久宅男| 美女高潮的动态| 看非洲黑人一级黄片| 内地一区二区视频在线| 99热网站在线观看| 又爽又黄a免费视频| 日韩欧美三级三区| 精品久久久噜噜| 精品午夜福利在线看| 国产伦精品一区二区三区四那| 中文字幕熟女人妻在线| 日韩国内少妇激情av| 毛片一级片免费看久久久久| 精品不卡国产一区二区三区| 春色校园在线视频观看| 国产精品综合久久久久久久免费| 在线免费观看不下载黄p国产| av中文乱码字幕在线| 99热这里只有是精品在线观看| 亚洲成人中文字幕在线播放| 一卡2卡三卡四卡精品乱码亚洲| 久久精品国产亚洲av香蕉五月| 久久久a久久爽久久v久久| 国产av不卡久久| 18+在线观看网站| 日本爱情动作片www.在线观看 | 少妇猛男粗大的猛烈进出视频 | 97超碰精品成人国产| 免费观看人在逋| 三级经典国产精品| 国产亚洲精品久久久com| 中文字幕av成人在线电影| aaaaa片日本免费| 日韩av不卡免费在线播放| 男人狂女人下面高潮的视频| 国产高清激情床上av| 国产成人a区在线观看| 国产一区二区激情短视频| 亚洲无线观看免费| 亚洲国产精品成人综合色| 国产精品99久久久久久久久| 精品免费久久久久久久清纯| 人妻制服诱惑在线中文字幕| 免费搜索国产男女视频| 成年女人看的毛片在线观看| 午夜激情福利司机影院| 少妇人妻一区二区三区视频| 极品教师在线视频| 国产精品一及| 亚洲丝袜综合中文字幕| 免费观看人在逋| 三级男女做爰猛烈吃奶摸视频| 午夜精品在线福利| 日日啪夜夜撸| 亚洲久久久久久中文字幕| 一区福利在线观看| 日韩大尺度精品在线看网址| 国产一区二区亚洲精品在线观看| 亚洲,欧美,日韩| 一边摸一边抽搐一进一小说| ponron亚洲| 极品教师在线视频| 草草在线视频免费看| 精品一区二区三区av网在线观看| 国产精品三级大全| 亚洲无线观看免费| 亚洲高清免费不卡视频| 免费在线观看影片大全网站| 最新在线观看一区二区三区| 国产蜜桃级精品一区二区三区| 免费观看精品视频网站| 听说在线观看完整版免费高清| 国产免费男女视频| 日韩高清综合在线| 国产女主播在线喷水免费视频网站 |