• <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)驅動的方法和基于模型驅動的方法.基于數(shù)據(jù)驅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系,學習映射關系后,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.

    由于深度學習技術的突破,卷積神經(jīng)網(wǎng)絡(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)絡學習從照片到素描的端到端非線性映射,但在合成結果中帶來嚴重的模糊效果和偽影.生成對抗網(wǎng)絡(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(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,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量的圖像方面存在局限性,這是因為它們在網(wǎng)絡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換,在生成器中加入多殘差動態(tài)融合網(wǎng)絡,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)絡深度的增加,輸入的信息在網(wǎng)絡中逐級丟失,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,所以本文設計多殘差動態(tài)融合生成對抗網(wǎng)絡,如圖1所示,用于圖像合成.

    圖1 網(wǎng)絡總體結構Fig.1 Overall structure of network

    網(wǎng)絡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)絡結構

    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個轉換函數(shù):將素描轉換成照片的函數(shù)A′=Fsp(B)、將照片轉換成素描的函數(shù)B′=Fps(A).

    本文網(wǎng)絡結構包含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.生成器GA的功能是將真實的人臉照片圖像RA轉換成人臉素描圖像FB=GA(RA);生成器GB將生成的人臉素描圖像FB轉換為循環(huán)的人臉照片圖像RecA=GB(FB).

    同理,人臉素描圖像轉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 生成器結構

    生成器的結構如圖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)絡進行深度多樣化特征提取,自適應地提取輸入圖像最本質的特征.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

    多殘差動態(tài)融合網(wǎng)絡結構如圖2所示,它是由多個密集殘差塊組成不同的殘差網(wǎng)絡,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)絡結構圖Fig.2 Structure of multi-residual dynamic fusion network

    在視覺識別和圖像生成領域中,使用深度神經(jīng)網(wǎng)絡可提高性能,但隨著網(wǎng)絡深度的增加可能會出現(xiàn)性能下降、生成圖像質量變差等問題,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,導致重構后的圖像質量變差.本文網(wǎng)絡可有效解決上述問題.多殘差動態(tài)融合網(wǎng)絡由不同尺度的殘差網(wǎng)絡和動態(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)絡的輸出處,網(wǎng)絡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,并且殘差結構避免由于網(wǎng)絡過深引起的梯度消失和退化問題,加速網(wǎng)絡收斂.與此同時殘差網(wǎng)絡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)絡和殘差網(wǎng)絡組合而成,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,結構如圖3所示.

    圖3 密集殘差模塊結構圖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 判別器結構

    本文使用的判別器是70×70的PatchGAN[5].網(wǎng)絡由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構如圖4所示.利用在ImageNet數(shù)據(jù)集上預訓練的VGG19網(wǎng)絡[25]作為特征提取基線網(wǎng)絡,該網(wǎng)絡內(nèi)置在PyTorch平臺中,參數(shù)在訓練階段是固定的.VGG19網(wǎng)絡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 多尺度感知損失結構圖Fig.4 Structure of multi-scale perception loss

    本文任務是素描-照片兩者之間的轉換,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構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)生高質量的結果.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失的權重.

    2 實驗及結果分析

    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)絡訓練,88對圖像用于網(wǎng)絡測試.AR數(shù)據(jù)庫上共有123對人臉圖像,80對圖像用于網(wǎng)絡訓練,43對用于網(wǎng)絡測試.XM2VTS數(shù)據(jù)庫上共有295對人臉圖像,100對圖像用于網(wǎng)絡訓練,195對圖像用于網(wǎng)絡測試.

    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)絡的訓練過程中,輸入的每幅人臉圖像調(diào)整為256×256.網(wǎng)絡從初始狀態(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)絡的初始權重從均值為0且標準差為0.02的高斯分布中初始化.損失函數(shù)的權重系數(shù)分別為λ=5,μ=5,η=10,網(wǎng)絡使用自適應矩估計(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)庫上素描轉換為照片的結果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)庫上照片轉換為素描的結果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)庫上素描轉換為照片的結果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)庫上照片轉換為素描的結果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,采用結構相似度(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).上述結果說明本文方法合成圖像更優(yōu),網(wǎng)絡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構和特征上更相似,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量的有效指標.高質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量,具體結果如表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(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)絡替換成密集殘差網(wǎng)絡后,合成圖像質量變差,因為單方面的增加網(wǎng)絡深度并不能提高合成圖像的質量.在CycleGAN中加入感知損失后,合成圖像質量有所提高.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)絡替換為多殘差動態(tài)融合網(wǎng)絡后,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)絡替換殘差網(wǎng)絡合成圖像質量相對較差,在CycleGAN中加入感知損失后合成圖像質量有所提高,但相比加入多尺度感知損失后,合成圖像的質量提升有限.在基線網(wǎng)絡中加入多尺度感知損失后合成圖像的LPIPS值低于基線網(wǎng)絡和多殘差動態(tài)融合網(wǎng)絡,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)絡合成圖像在SSIM、FSIM指標上都取得最優(yōu)結果,說明多殘差動態(tài)融合網(wǎng)絡合成圖像在結構和特征上與真實圖像更接近,大幅提高合成圖像的質量.上述實驗說明說多殘差動態(tài)融合網(wǎng)絡和多尺度感知損失的有效性.

    3 結 束 語

    本文提出基于多殘差動態(tài)融合生成對抗網(wǎng)絡的人臉素描-照片合成方法.網(wǎng)絡中兩個生成器和兩個判別器循環(huán)工作并相互約束.在生成器中融入設計的多殘差動態(tài)融合網(wǎng)絡,對輸入圖像提取豐富的多樣化特征信息,減少在網(wǎng)絡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.同時設計多尺度感知損失,對網(wǎng)絡提供額外的正則化,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
    91国产中文字幕| 免费av毛片视频| 国产精品久久久人人做人人爽| 午夜a级毛片| 国产精品av视频在线免费观看| 日韩欧美一区二区三区在线观看| 在线永久观看黄色视频| 他把我摸到了高潮在线观看| 国产一区二区激情短视频| 久久久久久久久久黄片| 国产欧美日韩精品亚洲av| 99国产精品一区二区蜜桃av| 法律面前人人平等表现在哪些方面| 在线国产一区二区在线| av中文乱码字幕在线| 琪琪午夜伦伦电影理论片6080| 午夜免费激情av| 欧美另类亚洲清纯唯美| 亚洲精品一卡2卡三卡4卡5卡| 美女午夜性视频免费| 丝袜美腿诱惑在线| 日本撒尿小便嘘嘘汇集6| 国产精品野战在线观看| 婷婷精品国产亚洲av在线| 99在线人妻在线中文字幕| 久久午夜亚洲精品久久| 亚洲av中文字字幕乱码综合| 日韩精品青青久久久久久| 亚洲精品粉嫩美女一区| 99久久精品国产亚洲精品| 成人一区二区视频在线观看| 此物有八面人人有两片| 免费看美女性在线毛片视频| 欧美极品一区二区三区四区| 三级男女做爰猛烈吃奶摸视频| 国产一区在线观看成人免费| 两个人视频免费观看高清| 老司机午夜福利在线观看视频| 成人永久免费在线观看视频| 国产一区二区在线观看日韩 | 在线观看66精品国产| av在线播放免费不卡| 亚洲精品中文字幕一二三四区| 又爽又黄无遮挡网站| 久久久久免费精品人妻一区二区| 五月伊人婷婷丁香| 麻豆av在线久日| 国产久久久一区二区三区| 老熟妇乱子伦视频在线观看| 久久精品国产清高在天天线| 亚洲色图 男人天堂 中文字幕| 久久国产精品人妻蜜桃| 精品一区二区三区视频在线观看免费| videosex国产| 欧美色欧美亚洲另类二区| 在线观看舔阴道视频| 此物有八面人人有两片| 久久精品国产亚洲av高清一级| 狂野欧美激情性xxxx| 丁香欧美五月| 69av精品久久久久久| 最新在线观看一区二区三区| 欧美另类亚洲清纯唯美| 一进一出抽搐动态| 在线观看免费午夜福利视频| 在线看三级毛片| 国产亚洲欧美98| 级片在线观看| 9191精品国产免费久久| 亚洲国产精品合色在线| 两个人的视频大全免费| 丁香欧美五月| 免费高清视频大片| 欧美日韩乱码在线| 好男人在线观看高清免费视频| 狂野欧美激情性xxxx| 高潮久久久久久久久久久不卡| 每晚都被弄得嗷嗷叫到高潮| 日韩成人在线观看一区二区三区| 欧美zozozo另类| 欧美极品一区二区三区四区| 妹子高潮喷水视频| 国产精品日韩av在线免费观看| 午夜激情福利司机影院| 日本熟妇午夜| 亚洲成人国产一区在线观看| 国产成人aa在线观看| aaaaa片日本免费| 成人亚洲精品av一区二区| 激情在线观看视频在线高清| 欧美黑人欧美精品刺激| 很黄的视频免费| 欧美日韩国产亚洲二区| 亚洲国产精品999在线| 18禁美女被吸乳视频| www.精华液| av免费在线观看网站| 国产私拍福利视频在线观看| 久久久国产成人免费| 麻豆一二三区av精品| 人人妻,人人澡人人爽秒播| 亚洲九九香蕉| 日本在线视频免费播放| 在线观看www视频免费| 老汉色av国产亚洲站长工具| 日本撒尿小便嘘嘘汇集6| 超碰成人久久| 黄片小视频在线播放| 久久午夜亚洲精品久久| 又黄又粗又硬又大视频| 国产精品一及| 国产精品美女特级片免费视频播放器 | 丰满人妻熟妇乱又伦精品不卡| 夜夜看夜夜爽夜夜摸| www.999成人在线观看| av福利片在线| 不卡av一区二区三区| 久久精品夜夜夜夜夜久久蜜豆 | 99国产精品一区二区三区| 婷婷六月久久综合丁香| 99在线视频只有这里精品首页| 黄色毛片三级朝国网站| 国产一区在线观看成人免费| 给我免费播放毛片高清在线观看| 亚洲国产日韩欧美精品在线观看 | 亚洲真实伦在线观看| 亚洲av第一区精品v没综合| 欧美中文综合在线视频| 天天躁夜夜躁狠狠躁躁| 男女视频在线观看网站免费 | 一个人免费在线观看的高清视频| 黄色丝袜av网址大全| 麻豆久久精品国产亚洲av| 久久久国产精品麻豆| 性欧美人与动物交配| 成人国产综合亚洲| 国产三级黄色录像| 亚洲免费av在线视频| 亚洲色图av天堂| 丰满人妻一区二区三区视频av | 国产一区二区三区在线臀色熟女| 国内久久婷婷六月综合欲色啪| 妹子高潮喷水视频| 高清毛片免费观看视频网站| 看黄色毛片网站| 在线视频色国产色| 成年人黄色毛片网站| 久久久久久久久中文| 丁香欧美五月| 99在线视频只有这里精品首页| 在线观看舔阴道视频| 在线观看一区二区三区| 久99久视频精品免费| 午夜免费观看网址| tocl精华| 曰老女人黄片| 欧美性猛交黑人性爽| 精品欧美一区二区三区在线| 老汉色∧v一级毛片| 90打野战视频偷拍视频| 国产高清videossex| 日韩免费av在线播放| 午夜亚洲福利在线播放| 一级毛片女人18水好多| 中文字幕人成人乱码亚洲影| 黄片大片在线免费观看| 国产免费男女视频| 国产欧美日韩精品亚洲av| 亚洲成a人片在线一区二区| 777久久人妻少妇嫩草av网站| 深夜精品福利| 成熟少妇高潮喷水视频| 大型黄色视频在线免费观看| 久久精品91无色码中文字幕| 黄色毛片三级朝国网站| 久久天堂一区二区三区四区| 亚洲人成伊人成综合网2020| 成年版毛片免费区| 国产精品自产拍在线观看55亚洲| 国产人伦9x9x在线观看| 久久久国产欧美日韩av| 别揉我奶头~嗯~啊~动态视频| 熟妇人妻久久中文字幕3abv| 国产av不卡久久| 中出人妻视频一区二区| 精品国产超薄肉色丝袜足j| 国产精品爽爽va在线观看网站| 欧美日韩亚洲国产一区二区在线观看| 国产爱豆传媒在线观看 | 精品不卡国产一区二区三区| 精品国产乱码久久久久久男人| 国产av一区在线观看免费| 亚洲专区中文字幕在线| 亚洲精品久久国产高清桃花| 在线观看舔阴道视频| 丰满的人妻完整版| 久久久国产成人精品二区| 国产精品久久久久久久电影 | 长腿黑丝高跟| www.熟女人妻精品国产| 精品久久久久久,| 日本一二三区视频观看| 国产亚洲精品av在线| 国产蜜桃级精品一区二区三区| 亚洲人成电影免费在线| 国产黄片美女视频| 俄罗斯特黄特色一大片| 国产探花在线观看一区二区| 国内揄拍国产精品人妻在线| 可以在线观看的亚洲视频| 国产精品乱码一区二三区的特点| 亚洲国产欧洲综合997久久,| 国产精品久久电影中文字幕| 精品人妻1区二区| 免费看十八禁软件| 成人永久免费在线观看视频| 久久精品综合一区二区三区| 最近最新中文字幕大全电影3| 好男人电影高清在线观看| 欧美在线一区亚洲| 一级毛片高清免费大全| 久久久久久久久久黄片| 午夜成年电影在线免费观看| 亚洲成人精品中文字幕电影| 青草久久国产| 日本熟妇午夜| 国产精品日韩av在线免费观看| 国产精品 欧美亚洲| 午夜福利高清视频| 给我免费播放毛片高清在线观看| 老司机在亚洲福利影院| av在线天堂中文字幕| 亚洲第一电影网av| 18禁黄网站禁片免费观看直播| 麻豆成人午夜福利视频| 在线a可以看的网站| videosex国产| 99久久综合精品五月天人人| 在线观看免费视频日本深夜| 亚洲黑人精品在线| 国产探花在线观看一区二区| 午夜免费成人在线视频| 久久久久九九精品影院| 老熟妇乱子伦视频在线观看| 在线观看美女被高潮喷水网站 | 亚洲美女视频黄频| 精品无人区乱码1区二区| 日韩中文字幕欧美一区二区| a级毛片在线看网站| 色综合婷婷激情| 99热只有精品国产| www.熟女人妻精品国产| 国产不卡一卡二| 久久久精品国产亚洲av高清涩受| 国产精品久久久久久久电影 | 国产精品精品国产色婷婷| xxx96com| 久久精品国产清高在天天线| 法律面前人人平等表现在哪些方面| 婷婷精品国产亚洲av在线| 在线观看免费日韩欧美大片| 小说图片视频综合网站| 搡老妇女老女人老熟妇| 欧美高清成人免费视频www| 香蕉av资源在线| 精品久久蜜臀av无| 亚洲真实伦在线观看| 后天国语完整版免费观看| 777久久人妻少妇嫩草av网站| 国产精品精品国产色婷婷| 精品国产乱子伦一区二区三区| 男女下面进入的视频免费午夜| 国内精品久久久久久久电影| 亚洲专区中文字幕在线| 别揉我奶头~嗯~啊~动态视频| 久久国产精品影院| 亚洲黑人精品在线| 久久久久国产精品人妻aⅴ院| 欧美一区二区国产精品久久精品 | 国产不卡一卡二| 欧美色欧美亚洲另类二区| 亚洲成人久久性| 一边摸一边抽搐一进一小说| 免费无遮挡裸体视频| 舔av片在线| 国内精品久久久久精免费| 欧美在线黄色| 精品午夜福利视频在线观看一区| 2021天堂中文幕一二区在线观| 国产真实乱freesex| 麻豆成人av在线观看| 免费观看人在逋| 日日摸夜夜添夜夜添小说| 国产精品免费一区二区三区在线| www.精华液| 成人三级黄色视频| 欧美丝袜亚洲另类 | 久久久久久久午夜电影| 免费在线观看日本一区| 国产精品一区二区三区四区久久| 久久国产精品人妻蜜桃| 在线免费观看的www视频| 校园春色视频在线观看| 日韩精品免费视频一区二区三区| 成人三级做爰电影| 国产精品久久久av美女十八| 女人被狂操c到高潮| 91字幕亚洲| 国产av又大| 日本成人三级电影网站| 一级片免费观看大全| 亚洲自偷自拍图片 自拍| 欧美日韩中文字幕国产精品一区二区三区| 国产激情欧美一区二区| 九色成人免费人妻av| 两个人看的免费小视频| 国产精品免费一区二区三区在线| 久久人妻av系列| 亚洲美女视频黄频| 丰满人妻熟妇乱又伦精品不卡| 国产真人三级小视频在线观看| 最新在线观看一区二区三区| 无遮挡黄片免费观看| 很黄的视频免费| 男人舔女人的私密视频| 黄色片一级片一级黄色片| 亚洲国产高清在线一区二区三| a级毛片在线看网站| 国产精品一区二区三区四区免费观看 | 最好的美女福利视频网| 国产日本99.免费观看| 久久久久久九九精品二区国产 | 精品久久久久久,| 国产视频内射| 日韩成人在线观看一区二区三区| 可以免费在线观看a视频的电影网站| 欧美又色又爽又黄视频| 美女 人体艺术 gogo| 两个人的视频大全免费| 国产精品美女特级片免费视频播放器 | 国产男靠女视频免费网站| 免费在线观看黄色视频的| 成人av一区二区三区在线看| 成人av在线播放网站| 人妻夜夜爽99麻豆av| 在线观看免费日韩欧美大片| 亚洲中文字幕一区二区三区有码在线看 | 欧美日韩福利视频一区二区| 国产爱豆传媒在线观看 | 一级a爱片免费观看的视频| 99久久精品国产亚洲精品| 国产精品久久久久久亚洲av鲁大| 99热6这里只有精品| 91字幕亚洲| 18禁黄网站禁片午夜丰满| 99久久久亚洲精品蜜臀av| 精品欧美国产一区二区三| 亚洲熟女毛片儿| 久久精品成人免费网站| 亚洲人成网站在线播放欧美日韩| 青草久久国产| 一进一出抽搐gif免费好疼| tocl精华| 大型黄色视频在线免费观看| 国产日本99.免费观看| 久久久久亚洲av毛片大全| 国内精品久久久久久久电影| 日韩欧美精品v在线| 99久久精品国产亚洲精品| 免费看a级黄色片| 久久久久久国产a免费观看| 日日摸夜夜添夜夜添小说| 久久香蕉国产精品| 精品高清国产在线一区| 天天添夜夜摸| 欧美乱色亚洲激情| 亚洲一码二码三码区别大吗| 婷婷精品国产亚洲av| 日韩av在线大香蕉| 一边摸一边做爽爽视频免费| 日本一二三区视频观看| 日韩欧美 国产精品| 久久精品91无色码中文字幕| 精品国产亚洲在线| 午夜精品久久久久久毛片777| 免费在线观看影片大全网站| 亚洲人与动物交配视频| 免费看a级黄色片| 性欧美人与动物交配| 18禁黄网站禁片免费观看直播| 精品日产1卡2卡| 亚洲片人在线观看| 天堂影院成人在线观看| 国产高清视频在线观看网站| 国产精品野战在线观看| 久久中文字幕一级| 成人高潮视频无遮挡免费网站| 亚洲七黄色美女视频| 又黄又爽又免费观看的视频| 最近最新免费中文字幕在线| 久久久久久免费高清国产稀缺| 日韩大码丰满熟妇| 久久婷婷成人综合色麻豆| 久9热在线精品视频| 午夜福利高清视频| 国产区一区二久久| av欧美777| 正在播放国产对白刺激| 国产精品一区二区三区四区久久| 男男h啪啪无遮挡| 欧美性猛交╳xxx乱大交人| 久久精品亚洲精品国产色婷小说| 亚洲黑人精品在线| 亚洲电影在线观看av| 成年人黄色毛片网站| 欧美一区二区精品小视频在线| 美女 人体艺术 gogo| 亚洲乱码一区二区免费版| 欧美丝袜亚洲另类 | 一级片免费观看大全| 国产精品亚洲一级av第二区| 欧美日韩一级在线毛片| 精品人妻1区二区| 精品久久蜜臀av无| 国产欧美日韩一区二区三| 两个人看的免费小视频| videosex国产| 亚洲欧美日韩东京热| 欧美在线一区亚洲| 精品国产超薄肉色丝袜足j| 亚洲人成电影免费在线| 精品久久久久久,| 国产精品久久电影中文字幕| 国产成年人精品一区二区| 天堂av国产一区二区熟女人妻 | 看片在线看免费视频| 久久久久久大精品| 国内精品一区二区在线观看| 97人妻精品一区二区三区麻豆| 国产精品亚洲av一区麻豆| 亚洲自拍偷在线| 精品日产1卡2卡| 精品国产美女av久久久久小说| 黄色a级毛片大全视频| 久久久久久久午夜电影| 日本熟妇午夜| 午夜免费激情av| 国内少妇人妻偷人精品xxx网站 | 日韩国内少妇激情av| a级毛片在线看网站| 国产99白浆流出| 久99久视频精品免费| 亚洲乱码一区二区免费版| 99热这里只有精品一区 | 久久中文字幕人妻熟女| 精品福利观看| 桃红色精品国产亚洲av| 神马国产精品三级电影在线观看 | 黄片小视频在线播放| 国产精品野战在线观看| 狠狠狠狠99中文字幕| 亚洲专区国产一区二区| 在线观看免费午夜福利视频| 成人三级黄色视频| 成人18禁高潮啪啪吃奶动态图| 一二三四社区在线视频社区8| 亚洲成av人片在线播放无| 69av精品久久久久久| 亚洲 欧美 日韩 在线 免费| 一进一出抽搐动态| 中文字幕人成人乱码亚洲影| 亚洲在线自拍视频| 叶爱在线成人免费视频播放| 国产精品99久久99久久久不卡| 国产av又大| 最好的美女福利视频网| 国产片内射在线| 日韩三级视频一区二区三区| 国产免费男女视频| 亚洲五月婷婷丁香| 99国产极品粉嫩在线观看| 成人亚洲精品av一区二区| 国产成年人精品一区二区| 国产亚洲精品综合一区在线观看 | 99久久久亚洲精品蜜臀av| 国产区一区二久久| 国产精品一及| 欧美日本视频| 最近最新免费中文字幕在线| 亚洲全国av大片| 99久久综合精品五月天人人| 欧美黑人欧美精品刺激| 欧美日韩国产亚洲二区| 十八禁人妻一区二区| 97碰自拍视频| svipshipincom国产片| 免费高清视频大片| 亚洲va日本ⅴa欧美va伊人久久| 在线观看午夜福利视频| 国产精品影院久久| 日本三级黄在线观看| 国产黄a三级三级三级人| 不卡av一区二区三区| 久久性视频一级片| 欧美日本亚洲视频在线播放| 91大片在线观看| 黄色视频不卡| 国内精品一区二区在线观看| 久9热在线精品视频| 成人三级黄色视频| 欧美一级a爱片免费观看看 | 亚洲 欧美 日韩 在线 免费| 国产97色在线日韩免费| 午夜免费观看网址| 黑人操中国人逼视频| a级毛片在线看网站| 亚洲专区中文字幕在线| 法律面前人人平等表现在哪些方面| 日韩三级视频一区二区三区| 国产精品国产高清国产av| 欧美色视频一区免费| 成人三级黄色视频| 人妻丰满熟妇av一区二区三区| 国产伦人伦偷精品视频| 精品一区二区三区视频在线观看免费| 性欧美人与动物交配| 88av欧美| 欧美 亚洲 国产 日韩一| 一本久久中文字幕| 国产三级在线视频| 久久人妻av系列| 丝袜美腿诱惑在线| 在线观看www视频免费| 久久久国产成人精品二区| 88av欧美| 少妇熟女aⅴ在线视频| 国产欧美日韩一区二区精品| 中文字幕人成人乱码亚洲影| 丁香六月欧美| 99久久无色码亚洲精品果冻| 成人国产一区最新在线观看| 国产片内射在线| 国产精品自产拍在线观看55亚洲| 全区人妻精品视频| 亚洲一区高清亚洲精品| 免费在线观看完整版高清| 欧美乱码精品一区二区三区| 日韩大码丰满熟妇| 日韩成人在线观看一区二区三区| 淫妇啪啪啪对白视频| 亚洲七黄色美女视频| 每晚都被弄得嗷嗷叫到高潮| 亚洲国产中文字幕在线视频| 琪琪午夜伦伦电影理论片6080| 亚洲精品一卡2卡三卡4卡5卡| 久久这里只有精品19| 国产精品一及| 老司机深夜福利视频在线观看| 成人手机av| 天天躁狠狠躁夜夜躁狠狠躁| 91老司机精品| 69av精品久久久久久| 欧美+亚洲+日韩+国产| 精品久久久久久久久久久久久| 中文字幕熟女人妻在线| 午夜两性在线视频| 可以免费在线观看a视频的电影网站| 一二三四社区在线视频社区8| 亚洲一区中文字幕在线| 美女 人体艺术 gogo| 18禁国产床啪视频网站| 老司机深夜福利视频在线观看| 欧美人与性动交α欧美精品济南到| 午夜a级毛片| 亚洲国产欧美网| 午夜福利视频1000在线观看| 国产一区在线观看成人免费| 精品久久久久久久人妻蜜臀av| 午夜福利在线观看吧| 午夜影院日韩av| 免费观看精品视频网站| 啪啪无遮挡十八禁网站| 国产精品久久久久久亚洲av鲁大| 九色国产91popny在线| 狠狠狠狠99中文字幕| 91字幕亚洲| 成人18禁高潮啪啪吃奶动态图| 亚洲av第一区精品v没综合| 999久久久国产精品视频| 国内精品久久久久精免费| 人成视频在线观看免费观看| 亚洲精品在线观看二区| 精品久久久久久久久久免费视频| 岛国在线免费视频观看| 此物有八面人人有两片| 亚洲人成网站高清观看| 亚洲aⅴ乱码一区二区在线播放 | 日韩欧美在线二视频| av在线天堂中文字幕| 色哟哟哟哟哟哟| 亚洲国产中文字幕在线视频| 国产精品精品国产色婷婷| 黄色 视频免费看| 亚洲国产精品久久男人天堂| 欧美日韩亚洲综合一区二区三区_| 亚洲中文字幕一区二区三区有码在线看 | 日韩欧美国产在线观看| 亚洲欧美一区二区三区黑人| 欧美+亚洲+日韩+国产| 国产在线精品亚洲第一网站| av视频在线观看入口| av天堂在线播放| 人妻丰满熟妇av一区二区三区| 久久精品91无色码中文字幕| 国产在线观看jvid|