基于深度生成模型的人臉圖像修復(fù)算法研究
發(fā)布時間:2021-10-11 17:54
圖像修復(fù)是計算機(jī)視覺領(lǐng)域中的一項研究熱點和難點。傳統(tǒng)的圖像修復(fù)方法大多是基于圖像結(jié)構(gòu)紋理一致性,在面對大面積語義缺失的破損人臉圖像時往往無法取得令人滿意的修復(fù)結(jié)果。隨著深度學(xué)習(xí)的快速發(fā)展,基于深度生成模型的圖像修復(fù)方法可以直接生成缺失的部分圖像,極大的改善了圖像修復(fù)的效果,然而深度生成模型仍然存在很大的提升空間,網(wǎng)絡(luò)結(jié)構(gòu)單一、訓(xùn)練過程不穩(wěn)定、參數(shù)選擇困難對基于深度生成模型的圖像修復(fù)算法具有很大的挑戰(zhàn)性。本文介紹了基于生成式對抗網(wǎng)絡(luò)的圖像修復(fù)算法,對基于DCGAN的人臉圖像修復(fù)方法進(jìn)行了改進(jìn),提出了一種基于LSGAN改進(jìn)的人臉圖像修復(fù)算法。該算法使用LSGAN模型作為圖像修復(fù)中的生成網(wǎng)絡(luò),解決了傳統(tǒng)生成式對抗網(wǎng)絡(luò)生成圖像質(zhì)量不高和訓(xùn)練過程不穩(wěn)定這兩個缺陷。同時,對網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練過程進(jìn)行一定的改進(jìn),提高了網(wǎng)絡(luò)生成圖像的質(zhì)量。然后利用語義損失和感知損失找到用來填充破損圖像的最佳生成圖像,利用生成圖像相應(yīng)位置的像素填充破損圖像;诠_的人臉圖像數(shù)據(jù)集,通過主觀評價指標(biāo)和客觀評價指標(biāo),可以驗證改進(jìn)后的算法在不同類型的破損圖像上均具有更強(qiáng)的修復(fù)能力。本文在基于深度學(xué)習(xí)的生成式模型的基礎(chǔ)上,提出了...
【文章來源】:西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校
【文章頁數(shù)】:74 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
1.1 研究背景及意義
1.2 國內(nèi)外研究現(xiàn)狀
1.2.1 基于結(jié)構(gòu)模型的圖像修復(fù)
1.2.2 基于紋理合成的圖像修復(fù)
1.2.3 基于深度學(xué)習(xí)的圖像修復(fù)
1.3 研究方案
1.3.1 研究目標(biāo)
1.3.2 研究內(nèi)容
1.4 論文章節(jié)安排
第二章 相關(guān)理論研究
2.1 變分自編碼器(VAE)
2.1.1 理論及模型結(jié)構(gòu)
2.1.2 生成效果分析
2.2 生成式對抗網(wǎng)絡(luò)(GAN)
2.2.1 理論及模型結(jié)構(gòu)
2.2.2 卷積神經(jīng)網(wǎng)絡(luò)
2.2.3 深度卷積生成對抗網(wǎng)絡(luò)
2.2.4 最小二乘生成對抗網(wǎng)絡(luò)
2.2.5 生成效果分析
2.3 本章小結(jié)
第三章 基于GAN的人臉圖像修復(fù)算法
3.1 基于DCGAN的人臉圖像修復(fù)算法
3.2 基于LSGAN改進(jìn)的人臉圖像修復(fù)算法
3.2.1 網(wǎng)絡(luò)結(jié)構(gòu)
3.2.2 模型訓(xùn)練
3.2.3 圖像修復(fù)
3.3 實驗結(jié)果與分析
3.3.1 實驗環(huán)境和評價指標(biāo)
3.3.2 實驗結(jié)果對比與分析
3.4 本章小結(jié)
第四章 基于VAE-GAN改進(jìn)的人臉圖像修復(fù)算法
4.1 算法框架
4.1.1 自動編碼器網(wǎng)絡(luò)模型
4.1.2 判別器網(wǎng)絡(luò)模型
4.1.3 損失函數(shù)
4.2 圖像修復(fù)算法實現(xiàn)
4.2.1 訓(xùn)練網(wǎng)絡(luò)模型
4.2.2 修復(fù)結(jié)果微調(diào)
4.3 實驗結(jié)果與分析
4.3.1 實驗環(huán)境
4.3.2 實驗結(jié)果對比與分析
4.4 本章小結(jié)
第五章 總結(jié)與展望
5.1 論文工作總結(jié)
5.2 后續(xù)工作展望
參考文獻(xiàn)
致謝
作者簡介
本文編號:3430991
【文章來源】:西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校
【文章頁數(shù)】:74 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
1.1 研究背景及意義
1.2 國內(nèi)外研究現(xiàn)狀
1.2.1 基于結(jié)構(gòu)模型的圖像修復(fù)
1.2.2 基于紋理合成的圖像修復(fù)
1.2.3 基于深度學(xué)習(xí)的圖像修復(fù)
1.3 研究方案
1.3.1 研究目標(biāo)
1.3.2 研究內(nèi)容
1.4 論文章節(jié)安排
第二章 相關(guān)理論研究
2.1 變分自編碼器(VAE)
2.1.1 理論及模型結(jié)構(gòu)
2.1.2 生成效果分析
2.2 生成式對抗網(wǎng)絡(luò)(GAN)
2.2.1 理論及模型結(jié)構(gòu)
2.2.2 卷積神經(jīng)網(wǎng)絡(luò)
2.2.3 深度卷積生成對抗網(wǎng)絡(luò)
2.2.4 最小二乘生成對抗網(wǎng)絡(luò)
2.2.5 生成效果分析
2.3 本章小結(jié)
第三章 基于GAN的人臉圖像修復(fù)算法
3.1 基于DCGAN的人臉圖像修復(fù)算法
3.2 基于LSGAN改進(jìn)的人臉圖像修復(fù)算法
3.2.1 網(wǎng)絡(luò)結(jié)構(gòu)
3.2.2 模型訓(xùn)練
3.2.3 圖像修復(fù)
3.3 實驗結(jié)果與分析
3.3.1 實驗環(huán)境和評價指標(biāo)
3.3.2 實驗結(jié)果對比與分析
3.4 本章小結(jié)
第四章 基于VAE-GAN改進(jìn)的人臉圖像修復(fù)算法
4.1 算法框架
4.1.1 自動編碼器網(wǎng)絡(luò)模型
4.1.2 判別器網(wǎng)絡(luò)模型
4.1.3 損失函數(shù)
4.2 圖像修復(fù)算法實現(xiàn)
4.2.1 訓(xùn)練網(wǎng)絡(luò)模型
4.2.2 修復(fù)結(jié)果微調(diào)
4.3 實驗結(jié)果與分析
4.3.1 實驗環(huán)境
4.3.2 實驗結(jié)果對比與分析
4.4 本章小結(jié)
第五章 總結(jié)與展望
5.1 論文工作總結(jié)
5.2 后續(xù)工作展望
參考文獻(xiàn)
致謝
作者簡介
本文編號:3430991
本文鏈接:http://sikaile.net/kejilunwen/zidonghuakongzhilunwen/3430991.html
最近更新
教材專著