生成对抗网络研究及其在图像风格转换的应用

发布时间：2021-08-08 10:18

　　生成对抗网络已经成为深度学习领域一个热门的研究方向。生成对抗网络由生成器和判别器构成,采用无监督的训练方式,通过相互对抗训练共同提高。在成功地训练一个生成对抗网络后,其对应的生成器具备了强大的数据生成能力。因此,众多科研工作者将生成对抗网络应用于图像处理与计算机视觉、自然语言处理、语音识别等领域中。本文对生成对抗网络及其在跨域图像风格转换中的应用展开了深入研究,本文的主要内容如下:（1）将本文提出的SSIM-GAN模型应用到图像风格转换的任务中。在人脸肖像素描sketch-photo数据集和中国水墨画风格beihong-photo数据集进行实验。实验结果表明,与目前流行的DualGAN算法、CyCleGAN算法、Pix2Pix算法和GAN算法相比,本文的方法取得了更好的风格化效果。同时,为了加速SSIM-GAN模型的图像风格转换应用的收敛速度,本文采用改进后的Adam优化算法来对SSIM-GAN模型的目标函数进行求解。（2）结合结构相似性指数和最小二乘损失函数提出了一种生成对抗网络SSIM-GAN模型。SSIM-GAN的生成器借鉴了深度残差网络ResNet的设计理念,设计了一种端到端的... 

【文章来源】：宁波大学浙江省

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
论文摘要
abstract of thesis
引言
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究进展
        1.2.1 生成对抗网络研究进展
        1.2.2 图像风格转换研究进展
    1.3 本文工作
    1.4 本文的组织
    1.5 本章小结
2 相关技术
    2.1 生成对抗网络
        2.1.1 生成对抗网络基本原理
        2.1.2 概率分布度量方法
        2.1.3 生成对抗网络的训练流程
    2.2 卷积神经网络简介
        2.2.1 卷积神经网络的基本原理
        2.2.2 卷积神经网络的训练
    2.3 图像风格转换
        2.3.1 基于迭代优化的图像风格转换
        2.3.2 基于转换网络的图像风格转换
        2.3.3 基于生成对抗网络的图像风格转换
    2.4 结构相似性指数
    2.5 Tensorflow深度学习平台
    2.6 本章小结
3 SSIM-GAN算法模型
    3.1 SSIM-GAN网络结构
        3.1.1 生成器网络结构
        3.1.2 判别器网络结构
    3.2 目标函数
        3.2.1 对抗损失函数
        3.2.2 重建损失函数
    3.3 目标函数优化算法
    3.4 SSIM-GAN训练流程
    3.5 本章小结
4 实验结果对比与分析
    4.1 实验环境
    4.2 数据集介绍
        4.2.1 sketch-photo数据集
        4.2.2 beihong-photo数据集
    4.3 SSIM-GAN实验验证
        4.3.1 实验一
        4.3.2 实验二
        4.3.3 实验三
    4.4 本章小结
5 总结与展望
    5.1 论文总结
    5.2 未来工作展望
参考文献
在学研究成果
致谢


【参考文献】：
期刊论文
[1]生成式对抗网络GAN的研究进展与展望[J]. 王坤峰,苟超,段艳杰,林懿伦,郑心湖,王飞跃.  自动化学报. 2017(03)



本文编号：3329772