基于生成式对抗网络的图像压缩方法研究

发布时间：2022-11-12 07:55

　　随着信息技术的发展,庞大的图像数据量和严峻的资源限制给多媒体领域的发展带来了巨大的挑战。图像压缩技术可以减少图像数据中的冗余信息,从而降低存储和传输的压力。近年来,深度学习在计算机视觉领域的应用起广泛关注,利用神经网络来提取图像的深层特征,在图像分类、目标检测和图像超分辨等应用领域都取得了突破性的研究成果,然而深度学习在图像压缩领域仍处于初步研究阶段,已有的一些研究表明其存在巨大的研究潜力和价值。本文以生成式对抗网络为基础,针对损失函数的设计、复原图像质量的综合评测以及现有算法中存在的数据依赖等问题展开讨论,本文主要的研究内容和创新性工作包括如下:1)针对生成式压缩算法中存在的数据依赖性问题,提出了一种基于谱归一化的改进方法,通过分析判别器的优化空间,阐述了改进判别器的设计思路并分析改进所需的约束条件。实验结果验证了本文提出的算法相比普通的生成式对抗网络,在复原图的多样性和清晰度上均有明显的提升。2)针对随机生成的图像和原始图像差别较大的问题,提出了一种基于互信息最大化的改进方法,将压缩数据和复原图像之间的互信息作为附加的优化目标,完成多类别图像的压缩。实验结果展示了本算法在单类别图像... 

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景和研究意义
        1.1.1 图像压缩的研究背景
        1.1.2 生成式图像压缩的研究意义
    1.2 国内外研究现状
        1.2.1 传统图像压缩算法研究现状
        1.2.2 基于深度学习的图像压缩算法研究现状
    1.3 本文的主要研究内容和贡献
    1.4 本文的章节结构
第二章 图像压缩的基本原理和生成式图像压缩理论
    2.1 图像压缩算法的基本原理
        2.1.1 传统图像压缩算法
        2.1.2 基于神经网络的图像压缩算法
    2.2 图像的生成算法
        2.2.1 生成模型
        2.2.2 生成式对抗网络
    2.3 生成式图像压缩理论
    2.4 小结
第三章 基于谱归一化的多类别图像生成
    3.1 引言
    3.2 生成式图像压缩算法框架
        3.2.1 基于GAN的图像压缩解压过程
        3.2.2 基于GAN的重构图像质量优雅降级
    3.3 生成式图像解码的判别过程分析
        3.3.1 图像解码中判别目标的分析
        3.3.2 优化判别函数空间的设计思路
        3.3.3 优化判别器的约束条件
    3.4 基于谱归一化的生成式图像解码的实现
        3.4.1 判别器稳定性约束的谱归一化实现
        3.4.2 生成式解码的图像质量测评指标
    3.5 实验结果及分析
        3.5.1 测试数据
        3.5.2 参数设置
        3.5.3 图像质量测评
    3.6 小结
第四章 基于互信息最大化的多类别生成式压缩
    4.1 引言
    4.2 基于互信息最大化的生成式解码过程
        4.2.1 基于互信息最大化的解码模型
        4.2.2 基于互信息的优化目标
        4.2.3 多类别图像的生成式压缩
    4.3 损失函数
        4.3.1 像素级损失函数
        4.3.2 基于特征提取的混合型损失函数
    4.4 复原图像质量测评指标
        4.4.1 主观评测
        4.4.2 客观评测
        4.4.3 综合评测
    4.5 实验结果及分析
        4.5.1 测试数据
        4.5.2 不同损失函数对实验的影响分析
        4.5.3 复原图像质量分析
    4.6 小结
第五章 总结与展望
    5.1 工作总结
    5.2 研究展望
参考文献
致谢
作者简介


【参考文献】：
期刊论文
[1]图像压缩方法分类及其评价[J]. 张霞.  泰山学院学报. 2018(03)
[2]数字图像压缩技术的现状及发展前景[J]. 陈少锋.  电脑知识与技术. 2016(21)

硕士论文
[1]基于稀疏表示的单帧图像超分辨率重建算法研究[D]. 阮肇夏.西安电子科技大学 2018
[2]基于深度学习的图像压缩方法研究[D]. 任杰.哈尔滨工业大学 2017
[3]基于小波的感兴趣区域编码理论及技术[D]. 郭武.中国人民解放军国防科学技术大学 2002



本文编号：3705991