圖像生成模型的學習是計算機視覺領域的一個關鍵問題。模型旨在擬合圖像數(shù)據(jù)的分布,使其能夠生成不在數(shù)據(jù)集中但符合分布的新樣本。由于圖像分布處于高維空間且十分復雜,該任務具有一定難度。隨著深度學習的發(fā)展,相繼出現(xiàn)了一系列深度生成模型,其中生成對抗網(wǎng)絡（Generative Adversarial Network,GAN）和變分自編碼器（Variational Auto-Encoder,VAE）是兩種廣泛使用的方法。為控制生成的圖像符合指定條件,可在模型中引入額外的條件。本文針對條件圖像生成任務,從增強生成圖質量和多樣性方面入手,對于條件是類別標簽和圖像的情況分別展開研究。本文的研究內容及創(chuàng)新點如下:（1）對于條件是類別標簽的情況,在條件變分自編碼器（Conditional Varia-tional Auto-Encoder,CVAE）和條件生成對抗網(wǎng)絡（Conditional Generative Adver-sarial Network,CGAN）的混合模型CVAE-GAN的基礎上,提出使用兩個獨立的編碼器將特征空間解混為標簽相關和無關兩個部分。為解決VAE中的后驗崩潰問題,在標簽相關特征... 

【文章頁數(shù)】：86 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國內外研究現(xiàn)狀
    1.3 數(shù)據(jù)集介紹
    1.4 本文研究內容及全文組織結構
        1.4.1 研究內容
        1.4.2 全文組織結構
第二章 基礎知識和相關技術
    2.1 卷積神經(jīng)網(wǎng)絡
        2.1.1 經(jīng)典網(wǎng)絡框架
    2.2 分布距離度量與圖像評價指標
        2.2.1 分布距離度量
        2.2.2 圖像評價指標
    2.3 變分自編碼器
        2.3.1 VAE
        2.3.2 CVAE
    2.4 生成對抗網(wǎng)絡
        2.4.1 GAN
        2.4.2 WGAN
        2.4.3 WGAN-GP
        2.4.4 SNGAN
        2.4.5 CGAN
    2.5 VAE與GAN的結合
        2.5.1 VAE/GAN
        2.5.2 CVAE-GAN
    2.6 圖到圖轉換
        2.6.1 Star GAN
        2.6.2 STGAN
        2.6.3 UGAN
    2.7 本章小結
第三章 基于CGAN的圖像特征解混算法
    3.1 引言
    3.2 圖像特征解混算法
        3.2.1 VAE部分的問題描述
        3.2.2 標簽無關分支
        3.2.3 標簽相關分支
        3.2.4 解碼器與判別器
        3.2.5 訓練過程
        3.2.6 半監(jiān)督學習拓展
    3.3 實驗
        3.3.1 人工合成數(shù)據(jù)集示例
        3.3.2 圖像生成
        3.3.3 特征空間解混分析
        3.3.4 半監(jiān)督圖像生成
        3.3.5 圖像修復
    3.4 本章小結
第四章 基于CGAN的多屬性編輯算法
    4.1 引言
    4.2 多屬性編輯算法
        4.2.1 網(wǎng)絡框架
        4.2.2 兩階段訓練策略
        4.2.3 訓練過程
    4.3 實驗
        4.3.1 實驗細節(jié)
        4.3.2 域插值訓練的分析
        4.3.3 多解碼器的分析
        4.3.4 效果定性評估
        4.3.5 效果定量評估
    4.4 本章小結
第五章 總結與展望
    5.1 本文總結
    5.2 展望
參考文獻
附錄一 中英文對照縮略詞表
附錄二 圖像特征解混算法中的數(shù)學推導
攻讀碩士期間所取得的研究成果
致謝



本文編號：3662959