生成對抗網(wǎng)絡(luò)已經(jīng)成為深度學(xué)習(xí)領(lǐng)域一個熱門的研究方向。生成對抗網(wǎng)絡(luò)由生成器和判別器構(gòu)成,采用無監(jiān)督的訓(xùn)練方式,通過相互對抗訓(xùn)練共同提高。在成功地訓(xùn)練一個生成對抗網(wǎng)絡(luò)后,其對應(yīng)的生成器具備了強(qiáng)大的數(shù)據(jù)生成能力。因此,眾多科研工作者將生成對抗網(wǎng)絡(luò)應(yīng)用于圖像處理與計算機(jī)視覺、自然語言處理、語音識別等領(lǐng)域中。本文對生成對抗網(wǎng)絡(luò)及其在跨域圖像風(fēng)格轉(zhuǎn)換中的應(yīng)用展開了深入研究,本文的主要內(nèi)容如下:（1）將本文提出的SSIM-GAN模型應(yīng)用到圖像風(fēng)格轉(zhuǎn)換的任務(wù)中。在人臉肖像素描sketch-photo數(shù)據(jù)集和中國水墨畫風(fēng)格beihong-photo數(shù)據(jù)集進(jìn)行實驗。實驗結(jié)果表明,與目前流行的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風(fēng)格化效果。同時,為了加速SSIM-GAN模型的圖像風(fēng)格轉(zhuǎn)換應(yīng)用的收斂速度,本文采用改進(jìn)后的Adam優(yōu)化算法來對SSIM-GAN模型的目標(biāo)函數(shù)進(jìn)行求解。（2）結(jié)合結(jié)構(gòu)相似性指數(shù)和最小二乘損失函數(shù)提出了一種生成對抗網(wǎng)絡(luò)SSIM-GAN模型。SSIM-GAN的生成器借鑒了深度殘差網(wǎng)絡(luò)ResNet的設(shè)計理念,設(shè)計了一種端到端的... 

【文章來源】：寧波大學(xué)浙江省

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【文章目錄】：
論文摘要
abstract of thesis
引言
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究進(jìn)展
        1.2.1 生成對抗網(wǎng)絡(luò)研究進(jìn)展
        1.2.2 圖像風(fēng)格轉(zhuǎn)換研究進(jìn)展
    1.3 本文工作
    1.4 本文的組織
    1.5 本章小結(jié)
2 相關(guān)技術(shù)
    2.1 生成對抗網(wǎng)絡(luò)
        2.1.1 生成對抗網(wǎng)絡(luò)基本原理
        2.1.2 概率分布度量方法
        2.1.3 生成對抗網(wǎng)絡(luò)的訓(xùn)練流程
    2.2 卷積神經(jīng)網(wǎng)絡(luò)簡介
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)的基本原理
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
    2.3 圖像風(fēng)格轉(zhuǎn)換
        2.3.1 基于迭代優(yōu)化的圖像風(fēng)格轉(zhuǎn)換
        2.3.2 基于轉(zhuǎn)換網(wǎng)絡(luò)的圖像風(fēng)格轉(zhuǎn)換
        2.3.3 基于生成對抗網(wǎng)絡(luò)的圖像風(fēng)格轉(zhuǎn)換
    2.4 結(jié)構(gòu)相似性指數(shù)
    2.5 Tensorflow深度學(xué)習(xí)平臺
    2.6 本章小結(jié)
3 SSIM-GAN算法模型
    3.1 SSIM-GAN網(wǎng)絡(luò)結(jié)構(gòu)
        3.1.1 生成器網(wǎng)絡(luò)結(jié)構(gòu)
        3.1.2 判別器網(wǎng)絡(luò)結(jié)構(gòu)
    3.2 目標(biāo)函數(shù)
        3.2.1 對抗損失函數(shù)
        3.2.2 重建損失函數(shù)
    3.3 目標(biāo)函數(shù)優(yōu)化算法
    3.4 SSIM-GAN訓(xùn)練流程
    3.5 本章小結(jié)
4 實驗結(jié)果對比與分析
    4.1 實驗環(huán)境
    4.2 數(shù)據(jù)集介紹
        4.2.1 sketch-photo數(shù)據(jù)集
        4.2.2 beihong-photo數(shù)據(jù)集
    4.3 SSIM-GAN實驗驗證
        4.3.1 實驗一
        4.3.2 實驗二
        4.3.3 實驗三
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 論文總結(jié)
    5.2 未來工作展望
參考文獻(xiàn)
在學(xué)研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]生成式對抗網(wǎng)絡(luò)GAN的研究進(jìn)展與展望[J]. 王坤峰,茍超,段艷杰,林懿倫,鄭心湖,王飛躍.  自動化學(xué)報. 2017(03)



本文編號：3329772