1.一種基于對比學(xué)習(xí)分解多視覺任務(wù)的圖像轉(zhuǎn)換方法，其特征在于：將待處理的圖像輸入圖像轉(zhuǎn)換模型，得到所需的目標(biāo)圖像；
2.如權(quán)利要求1所述的一種基于對比學(xué)習(xí)分解多視覺任務(wù)的圖像轉(zhuǎn)換方法，其特征在于：所述生成器網(wǎng)絡(luò)f(·)包括由輸入至輸出依次設(shè)置的輸入層、全連接層、4個(gè)反卷積層和輸出層，其中，全連接層將輸入層的特征圖擴(kuò)展為形狀為4×4×1024的張量，經(jīng)第1個(gè)反卷積層后，其輸出大小為8×8×512，第2個(gè)反卷積層將特征圖調(diào)整為16×16×256，然后經(jīng)第3個(gè)反卷積層輸出32×32×128的特征圖，再由第4個(gè)反卷積層輸出64×64×64的特征圖，最終由輸出層輸出128×128×3的特征圖，并由tanh激活函數(shù)將輸出值歸一化到?[-1,1]?區(qū)間。
3.如權(quán)利要求1所述的一種基于對比學(xué)習(xí)分解多視覺任務(wù)的圖像轉(zhuǎn)換方法，其特征在于：所述步驟a中，自art?by?ai-神經(jīng)風(fēng)格遷移數(shù)據(jù)集獲取原始圖像，對所述原始圖像進(jìn)行預(yù)處理后，放入樣本集中。
4.如權(quán)利要求1所述的一種基于對比學(xué)習(xí)分解多視覺任務(wù)的圖像轉(zhuǎn)換方法，其特征在于：所述步驟b中，在每次訓(xùn)練過程中，對訓(xùn)練樣本進(jìn)行批量處理。
5.如權(quán)利要求1所述的一種基于對比學(xué)習(xí)分解多視覺任務(wù)的圖像轉(zhuǎn)換方法，其特征在于：所述步驟b2中，對源圖像x進(jìn)行失真處理，包括，對源圖像x進(jìn)行顏色失真處理和/或模糊失真處理。
6.如權(quán)利要求1所述的一種基于對比學(xué)習(xí)分解多視覺任務(wù)的圖像轉(zhuǎn)換方法，其特征在于：所述步驟b3之前，還包括，對所述目標(biāo)圖像、失真圖像和生成圖像進(jìn)行隨機(jī)裁剪，然后輸入預(yù)訓(xùn)練網(wǎng)絡(luò)ψ(·)。
7.如權(quán)利要求1所述的一種基于對比學(xué)習(xí)分解多視覺任務(wù)的圖像轉(zhuǎn)換方法，其特征在于：所述步驟b3中，預(yù)訓(xùn)練網(wǎng)絡(luò)ψ(·)采用鑒別器，其處理過程是，將輸入圖像設(shè)定為128×128×3，首先由4×4卷積核、步幅為2、填充為1的第一層卷積層將通道數(shù)增至64，輸出特征圖大小為64×64×64；第二層卷積采用4×4卷積核、步幅為2、填充為1，將通道數(shù)增至128，輸出特征圖大小為32×32×128；隨后，第三層卷積層的通道數(shù)增至256，輸出大小為16×16×256；第四層卷積層通道數(shù)增至512，輸出為8×8×512；第五層卷積將通道數(shù)擴(kuò)展至1024，輸出特征圖大小為4×4×1024；同時(shí)，在每層卷積層后均附加leaky?relu?激活函數(shù)；接著，鑒別器使用全局平均池化層將4×4×1024的特征圖壓縮為1×1×1024向量；最后，該向量輸入到全連接層，輸出一個(gè)標(biāo)量值，并通過?sigmoid?激活函數(shù)，將結(jié)果歸一化到[0,1]區(qū)間。