生成对抗网络中隐空间分布学习及其应用研究

发布时间：2021-04-29 17:44

　　在深度学习发展下,计算机对事物的认知不再局限于对数据进行分类,识别和定位上,同时可以实现数据的生成,是对数据的高维理解。古有云“知其然,知其所以然”,当可以对数据进行高维建模时,数据在认知层面上将上升到一个新的阶段。变分自编码器（VAE）开启了数据生成的大门;基于流的Glow实现了数据的逆映射;生成对抗网络（GAN）判别器和生成器的博弈更新让模型在数据拟合上实现了从无到有的建模,这不仅在低维数据的合成上,在高维数据的生成上也展示强大的能力。然而VAE在生成上是模糊的,Glow庞大的计算量成为限制发展的因素,GAN在数据生成阶段存在着训练不稳定,生成的数据多样性不足的问题。如何实现生成模型的平衡和优秀的性能,一直备受瞩目。值得注意的是GAN的输入是随机噪声,这让生成器完全实现的是无中生有的任务,而VAE则是从数据的编码出发,得到数据的隐空间后再对数据进行生成。如何利用包含数据隐含信息的低维隐空间指导生成对抗网络,是实现数据高质量合成的一个关键点。本文通过学习任意数据隐空间分布,将之馈送到生成器中指导生成逼真的数据。这不仅实现了GAN在训练阶段的稳定,也改善了数据的多样性不足的问题,同时在... 

【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 研究内容及结构安排
第二章 生成模型的概述
    2.1 引言
    2.2 基于生成对抗网络的生成模型
        2.2.1 生成对抗网络的概述
        2.2.2 生成对抗网络存在的问题及改进
    2.3 基于自编码器的生成模型
        2.3.1 自编码器
        2.3.2 变分自编码器
        2.3.3 对抗自编码器
    2.4 基于流的生成模型
    2.5 本章小结
第三章 数据隐空间分布
    3.1 引言
    3.2 数据隐空间分布的表示
        3.2.1 数据编码下隐空间分布表示
        3.2.2 基于先验分布的数据隐空间分布表示
    3.3 任意分布下的隐空间学习
        3.3.1 网络结构及原理
        3.3.2 损失函数
        3.3.3 网络训练机制
    3.4 实验
        3.4.1 数据集介绍
        3.4.2 隐空间分布表征
        3.4.3 实验结果分析
    3.5 本章小结
第四章 隐空间与生成对抗网络的结合
    4.1 引言
    4.2 变分自编码器和生成对抗网络的结合
        4.2.1 对抗自编码器与GAN的结合
        4.2.2 VAE与 GAN的结合
    4.3 隐空间任意分布与生成对抗网络的结合
        4.3.1 网络结构和原理
        4.3.2 监督式生成模型
        4.3.3 模型设计细节和技巧
        4.3.4 模型训练和网络参数
    4.4 实验
        4.4.1 数据集及性能评估标准
        4.4.2 基准模型
        4.4.3 模型的对比实验
        4.4.4 消融实验
    4.5 本章小结
第五章 CAE-CGAN在图像翻译下的应用
    5.1 引言
    5.2 图像翻译下的应用
        5.2.1 图像翻译的概述
        5.2.2 任意隐空间分布表示下图像翻译
    5.3 基于CAE-CGAN图像转换的拓展应用
    5.4 实验
        5.4.1 数据集介绍及性能评估标准
        5.4.2 基准模型
        5.4.3 实验结果分析
    5.5 本章小结
第六章 总结与展望
    6.1 工作总结
    6.2 工作展望
参考文献
攻读硕士学位期间的学术活动及成果情况



本文编号：3167898