生成对抗网络的研究及在平面设计中的应用

发布时间：2021-02-15 13:54

　　生成对抗网络（GAN）由Goodfellow带领的研究团队于2014年首次正式提出,它包含生成器和判别器这一对相互竞争的模型,通过对二者采用独特的对抗训练机制,使得生成器无需先验假设便可学习到真实样本的潜在分布。GAN自诞生以来,深受学界与工业界的高度关注。一方面,针对GAN存在训练困难、模式崩溃等问题,有许多改进模型陆续问世。另一方面,鉴于GAN的框架非常灵活,有很多研究将它应用于不同的领域。本文立足于这两方面,对GAN及其系列改进模型进行深入的理论与实验研究,另外,将GAN的应用领域拓展至平面设计。本文所做的详细研究工作概括如下:首先,通过全面梳理GAN的相关研究,选取了五种改进原有网络结构或损失函数的典型模型,分别是DCGAN,WGAN,WGAN-GP,LSGAN和CGAN。本文以GAN和这五种改进模型为重点研究内容,先从理论上对它们进行了细致的分析。接着,为对比六种模型的生成能力,从网上搜集了104383张动漫人物图像,结合该数据集特点和DCGAN的网络结构,对WGAN,WGAN-GP,LSGAN和CGAN的网络结构进行了适当的改进,继而使用这六种模型对该数据集进行图像合成实验... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题的来源
    1.2 课题研究的背景及意义
    1.3 国内外研究现状
        1.3.1 关于生成对抗网络的研究现状
        1.3.2 关于平面布局生成的研究现状
        1.3.3 国内外文献综述简析
    1.4 本文的主要内容及组织结构
        1.4.1 本文的主要内容
        1.4.2 本文的组织结构
第2章 相关理论知识
    2.1 引言
    2.2 神经网络的相关知识
        2.2.1 感知机
        2.2.2 卷积神经网络
        2.2.3 激活函数
        2.2.4 损失函数
        2.2.5 反向传播与优化算法
    2.3 生成对抗网络的相关知识
        2.3.1 基本思想
        2.3.2 数学模型
        2.3.3 训练步骤
        2.3.4 存在的问题
        2.3.5 评价方法
    2.4 本章小结
第3章 基于生成对抗网络的图像合成
    3.1 引言
    3.2 图像合成模型
        3.2.1 深度卷积生成对抗网络
        3.2.2 基于Wasserstein距离的生成对抗网络
        3.2.3 带梯度惩罚项的WGAN
        3.2.4 最小二乘生成对抗网络
        3.2.5 条件生成对抗网络
    3.3 模型网络结构设计
    3.4 实验过程与结果分析
        3.4.1 数据收集与处理
        3.4.2 实验环境配置
        3.4.3 网络训练设置
        3.4.4 实验结果与分析
    3.5 本章小结
第4章 基于生成对抗网络的平面布局生成
    4.1 引言
    4.2 平面布局生成模型
        4.2.1 生成器
        4.2.2 基于关系判别器
        4.2.3 线框渲染判别器
    4.3 基于MNIST数据集的实验
        4.3.1 数据预处理
        4.3.2 网络结构设计
        4.3.3 实验设置与结果分析
    4.4 基于SUNCG数据集的实验
        4.4.1 数据预处理
        4.4.2 实验设置与结果分析
    4.5 本章小结
结论
参考文献
致谢



本文编号：3034967