基于深度生成模型的人脸图像修复算法研究

发布时间：2021-10-11 17:54

　　图像修复是计算机视觉领域中的一项研究热点和难点。传统的图像修复方法大多是基于图像结构纹理一致性,在面对大面积语义缺失的破损人脸图像时往往无法取得令人满意的修复结果。随着深度学习的快速发展,基于深度生成模型的图像修复方法可以直接生成缺失的部分图像,极大的改善了图像修复的效果,然而深度生成模型仍然存在很大的提升空间,网络结构单一、训练过程不稳定、参数选择困难对基于深度生成模型的图像修复算法具有很大的挑战性。本文介绍了基于生成式对抗网络的图像修复算法,对基于DCGAN的人脸图像修复方法进行了改进,提出了一种基于LSGAN改进的人脸图像修复算法。该算法使用LSGAN模型作为图像修复中的生成网络,解决了传统生成式对抗网络生成图像质量不高和训练过程不稳定这两个缺陷。同时,对网络结构和训练过程进行一定的改进,提高了网络生成图像的质量。然后利用语义损失和感知损失找到用来填充破损图像的最佳生成图像,利用生成图像相应位置的像素填充破损图像。基于公开的人脸图像数据集,通过主观评价指标和客观评价指标,可以验证改进后的算法在不同类型的破损图像上均具有更强的修复能力。本文在基于深度学习的生成式模型的基础上,提出了... 

【文章来源】：西安电子科技大学陕西省 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】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 基于结构模型的图像修复
        1.2.2 基于纹理合成的图像修复
        1.2.3 基于深度学习的图像修复
    1.3 研究方案
        1.3.1 研究目标
        1.3.2 研究内容
    1.4 论文章节安排
第二章 相关理论研究
    2.1 变分自编码器(VAE)
        2.1.1 理论及模型结构
        2.1.2 生成效果分析
    2.2 生成式对抗网络(GAN)
        2.2.1 理论及模型结构
        2.2.2 卷积神经网络
        2.2.3 深度卷积生成对抗网络
        2.2.4 最小二乘生成对抗网络
        2.2.5 生成效果分析
    2.3 本章小结
第三章 基于GAN的人脸图像修复算法
    3.1 基于DCGAN的人脸图像修复算法
    3.2 基于LSGAN改进的人脸图像修复算法
        3.2.1 网络结构
        3.2.2 模型训练
        3.2.3 图像修复
    3.3 实验结果与分析
        3.3.1 实验环境和评价指标
        3.3.2 实验结果对比与分析
    3.4 本章小结
第四章 基于VAE-GAN改进的人脸图像修复算法
    4.1 算法框架
        4.1.1 自动编码器网络模型
        4.1.2 判别器网络模型
        4.1.3 损失函数
    4.2 图像修复算法实现
        4.2.1 训练网络模型
        4.2.2 修复结果微调
    4.3 实验结果与分析
        4.3.1 实验环境
        4.3.2 实验结果对比与分析
    4.4 本章小结
第五章 总结与展望
    5.1 论文工作总结
    5.2 后续工作展望
参考文献
致谢
作者简介



本文编号：3430991