基于深度学习的图像生成技术研究与应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究工作的背景与意义 | 第9-10页 |
| 1.2 国内外研究历史与现状 | 第10-15页 |
| 1.2.1 显式密度模型 | 第11-14页 |
| 1.2.1.1 可行显示模型 | 第12-13页 |
| 1.2.1.2 需要近似计算的显示模型 | 第13-14页 |
| 1.2.2 隐式密度模型 | 第14-15页 |
| 1.3 本文的主要贡献与创新 | 第15页 |
| 1.4 本论文的结构安排 | 第15-17页 |
| 第二章 基于深度学习的图像生成模型 | 第17-28页 |
| 2.1 深度置信网络 | 第17-19页 |
| 2.1.1 玻尔兹曼机 | 第17页 |
| 2.1.2 受限玻尔兹曼机 | 第17-19页 |
| 2.1.3 深度置信网络 | 第19页 |
| 2.2 变分自编码器 | 第19-25页 |
| 2.2.1 隐变量模型 | 第19-20页 |
| 2.2.2 变分自编码器 | 第20-23页 |
| 2.2.3 条件变分自编码器 | 第23-24页 |
| 2.2.4 beta变分自编码器 | 第24-25页 |
| 2.3 生成式对抗网络 | 第25-27页 |
| 2.3.1 生成式对抗网络 | 第25-27页 |
| 2.3.2 条件生成式对抗网络 | 第27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于分解表达的自然图片生成 | 第28-46页 |
| 3.1 表达学习 | 第28-30页 |
| 3.1.1 表达的质量评判标准 | 第28-30页 |
| 3.1.1.1 解开的 | 第29页 |
| 3.1.1.2 可解释的 | 第29页 |
| 3.1.1.3 有效的 | 第29-30页 |
| 3.1.1.4 可重复使用的 | 第30页 |
| 3.1.1.5 紧凑的 | 第30页 |
| 3.2 多任务变分自编码器 | 第30-34页 |
| 3.3 数据及其预处理 | 第34-35页 |
| 3.4 模型搭建 | 第35-36页 |
| 3.5 训练细节 | 第36-37页 |
| 3.6 实验结果及分析 | 第37-45页 |
| 3.6.1 视觉属性到自然图片生成 | 第37-38页 |
| 3.6.2 变量控制 | 第38-44页 |
| 3.6.3 图片转换 | 第44-45页 |
| 3.7 本章小结 | 第45-46页 |
| 第四章 属性可控的人脸简笔画到人脸照片合成 | 第46-65页 |
| 4.1 人脸素描到照片合成 | 第46-48页 |
| 4.2 属性可控的人脸简笔画到人脸照片合成 | 第48-62页 |
| 4.2.1 方法介绍 | 第50-51页 |
| 4.2.2 数据及其预处理 | 第51-52页 |
| 4.2.3 模型搭建 | 第52-53页 |
| 4.2.4 训练细节 | 第53-54页 |
| 4.2.5 实验结果及分析 | 第54-62页 |
| 4.2.5.1 简笔画的作用 | 第54-56页 |
| 4.2.5.2 无关变量的作用 | 第56页 |
| 4.2.5.3 属性变量的作用 | 第56-57页 |
| 4.2.5.4 目标风格人脸照片合成 | 第57-62页 |
| 4.2.5.5 在真实手绘简笔画上的结果 | 第62页 |
| 4.3 本章小结 | 第62-65页 |
| 第五章 全文总结与展望 | 第65-67页 |
| 5.1 全文总结 | 第65-66页 |
| 5.2 后续工作展望 | 第66-67页 |
| 致谢 | 第67-69页 |
| 参考文献 | 第69-75页 |
| 攻硕期间取得的研究成果 | 第75页 |
