生成对抗网络的改进方法与超分辨率图像重建研究
发布时间：2021-10-05 05:14
自2014年生成对抗网络被提出以来,就受到了众多学者的高度关注和广泛研究。随着更多深度学习网络结构和优化技术的提出,生成对抗网络在理论和应用上也取得了很多的研究成果。尽管如此,生成对抗网络模型收敛的条件、如何稳定训练和提高生成图像的质量等关键问题仍然是一个具有挑战性和开放性的课题;如何更好地将对抗式的训练方法应用到像素级图像处理任务,比如图像超分辨也是一个值得深入研究的问题。本文针对生成对抗网络训练不稳定、梯度消失、模式崩塌以及其在超分辨图像重建的应用等关键问题进行了研究。对混合模型和标准模型提出了多种改进方案,提高了模型训练的稳定性和生成图像的质量;提出了一个新的单图像超分辨模型,通过引入自注意力、密集连接和对抗训练的方法提高超分辨图像的全局一致性和纹理清晰度。本文的主要研究成果概括如下。针对边界平衡生成对抗网络生成图像多样性不足、类噪声区域多、不平滑等关键问题,提出了一种简单而有效的方法。该方法为判断器增加降噪损失,提高判断器区分真实数据和生成数据的能力,使生成的人脸图像更加光滑;为网络增加批归一化,使生成的图像特征更加丰富;同时评估了不同方法在边界平衡生成对抗网络框架上的效果;并...
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：131 页
【学位级别】：博士
【部分图文】：
本文的主体研究内容本文一共分为六章，主体章节见图1-1，除第一章外其余章节的主要研究内容如下
型无法区分的数据；判断模型（也称判断器）用于确定其输入是来自模型还是来自训练数据。假设把生成器看做是山寨公司，判断器看做是检测方，山寨公司生产出质量和外感等各方面都达到真品的高仿真产品，而检测方则是尽力区分产品是品牌公司的还是山寨公司的，双方互相竞争，各自提高自己的技术能力，直到山寨产品在各方面都能媲美品牌产品且检测方无法辨认为止。GAN 的计算流程如图 2-1 所示。GAN 中的生成模型 和判断模型 可以由任意可微函数表示，生成模型的输入为满足简单分布的随机变量，判断模型的输入有两类：生成数据和真实数据。生成模型将随机变量变换到真实数据空间，希望生成的数据能满足真实数据分布，判断器对生成数据的输出为 1（真）；判断模型则是尽可能的区分其输入的真伪，也就是说将生成数据判断为 0（伪），真实数据判断为 1（真）。在这个相互对抗相互竞争的过程中，生成模型和判断模型都得到优化，各自的性能都得到提高，当最终判断模型无法区分其数据来源时，优化结束。
华南理工大学博士学位论文的参数为 ，随机变量 的概率分布为 ，通过生成器生成的数据为 ( )，其概率分布为 ，真实数据为 ，其概率分布为 ， ( ) 表示判断器对真实数据的输出， 表示判断器对生成数据的输出。判断器通过最大化真实数据 和生成数据 ( )的正确分类概率来优化，而生成器通过最小化生成数据为假的概率来优化： 和 的优化问题是一个极小-极大问题，其数学表达式如下[10]： ( , ) = ~ + ~ 1 (2-1)
【参考文献】：
期刊论文
[1]基于生成式对抗网络的鲁棒人脸表情识别[J]. 姚乃明,郭清沛,乔逢春,陈辉,王宏安. 自动化学报. 2018(05)
[2]基于生成对抗网络的低秩图像生成方法[J]. 赵树阳,李建武. 自动化学报. 2018(05)
[3]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)
博士论文
[1]基于深度学习和上下文语义的视觉内容识別与分析研究[D]. 欧新宇.华中科技大学 2017
本文编号：3419070
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：131 页
【学位级别】：博士
【部分图文】：
本文的主体研究内容本文一共分为六章，主体章节见图1-1，除第一章外其余章节的主要研究内容如下
型无法区分的数据；判断模型（也称判断器）用于确定其输入是来自模型还是来自训练数据。假设把生成器看做是山寨公司，判断器看做是检测方，山寨公司生产出质量和外感等各方面都达到真品的高仿真产品，而检测方则是尽力区分产品是品牌公司的还是山寨公司的，双方互相竞争，各自提高自己的技术能力，直到山寨产品在各方面都能媲美品牌产品且检测方无法辨认为止。GAN 的计算流程如图 2-1 所示。GAN 中的生成模型 和判断模型 可以由任意可微函数表示，生成模型的输入为满足简单分布的随机变量，判断模型的输入有两类：生成数据和真实数据。生成模型将随机变量变换到真实数据空间，希望生成的数据能满足真实数据分布，判断器对生成数据的输出为 1（真）；判断模型则是尽可能的区分其输入的真伪，也就是说将生成数据判断为 0（伪），真实数据判断为 1（真）。在这个相互对抗相互竞争的过程中，生成模型和判断模型都得到优化，各自的性能都得到提高，当最终判断模型无法区分其数据来源时，优化结束。
华南理工大学博士学位论文的参数为 ，随机变量 的概率分布为 ，通过生成器生成的数据为 ( )，其概率分布为 ，真实数据为 ，其概率分布为 ， ( ) 表示判断器对真实数据的输出， 表示判断器对生成数据的输出。判断器通过最大化真实数据 和生成数据 ( )的正确分类概率来优化，而生成器通过最小化生成数据为假的概率来优化： 和 的优化问题是一个极小-极大问题，其数学表达式如下[10]： ( , ) = ~ + ~ 1 (2-1)
【参考文献】：
期刊论文
[1]基于生成式对抗网络的鲁棒人脸表情识别[J]. 姚乃明,郭清沛,乔逢春,陈辉,王宏安. 自动化学报. 2018(05)
[2]基于生成对抗网络的低秩图像生成方法[J]. 赵树阳,李建武. 自动化学报. 2018(05)
[3]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)
博士论文
[1]基于深度学习和上下文语义的视觉内容识別与分析研究[D]. 欧新宇.华中科技大学 2017
本文编号：3419070
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3419070.html
