| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-11页 |
| 1.1 图像翻译研究背景与现状 | 第8-9页 |
| 1.1.1 研究背景及意义 | 第8-9页 |
| 1.1.2 图像翻译研究现状 | 第9页 |
| 1.2 本文主要工作及论文组织 | 第9-11页 |
| 第二章 生成对抗网络概述 | 第11-18页 |
| 2.1 生成模型 | 第11页 |
| 2.2 CAN的原理与实现 | 第11-14页 |
| 2.2.1 GAN的原理 | 第11-12页 |
| 2.2.2 CAN的学习算法 | 第12-14页 |
| 2.3 GAN的缺点及改进 | 第14-17页 |
| 2.3.1 GAN的不足 | 第14页 |
| 2.3.2 GAN的改进 | 第14-16页 |
| 2.3.3 GAN的应用 | 第16-17页 |
| 2.4 本章小结 | 第17-18页 |
| 第三章 图像翻译概述 | 第18-25页 |
| 3.1 图像翻译 | 第18-19页 |
| 3.2 有监督图像翻译算法 | 第19-22页 |
| 3.2.1 Pix-wise损失 | 第19-20页 |
| 3.2.2 perceptual损失 | 第20-21页 |
| 3.2.3 对抗损失 | 第21-22页 |
| 3.3 无监督图像翻译算法 | 第22-24页 |
| 3.3.1 原图像与目标图像共享特征 | 第22-23页 |
| 3.3.2 基于对偶学习的的图像翻译 | 第23-24页 |
| 3.4 本章小结 | 第24-25页 |
| 第四章 基于CAN的半监督图像翻译算法 | 第25-36页 |
| 4.1 引言 | 第25页 |
| 4.2 多尺度判别生成对抗网络(MSD-GAN) | 第25-28页 |
| 4.2.1 算法原理 | 第25-27页 |
| 4.2.2 算法实现 | 第27页 |
| 4.2.3 权重共享的多尺度判别器 | 第27-28页 |
| 4.3 基于GAN的半监督图像翻译算法 | 第28-32页 |
| 4.3.1 基于原始GAN的半监督图像翻译 | 第28-29页 |
| 4.3.2 基于MSD-GAN的半监督图像翻译 | 第29-31页 |
| 4.3.3 网络架构 | 第31-32页 |
| 4.4 实验结果 | 第32-35页 |
| 4.4.1 数据集与评价指标 | 第32页 |
| 4.4.2 基准算法 | 第32-33页 |
| 4.4.3 实验结果 | 第33-35页 |
| 4.5 本章小结 | 第35-36页 |
| 第五章 基于对偶和对抗的半监督图像翻译算法 | 第36-45页 |
| 5.1 引言 | 第36页 |
| 5.2 对偶学习 | 第36-38页 |
| 5.2.1 对偶学习概念 | 第36-37页 |
| 5.2.2 对偶学习算法 | 第37-38页 |
| 5.3 半监督图像翻译 | 第38-42页 |
| 5.3.1 基于对偶学习的半监督图像翻译 | 第38-40页 |
| 5.3.2 基于对偶学习和生成对抗网络的半监督图像翻译 | 第40-41页 |
| 5.3.3 网络架构 | 第41-42页 |
| 5.4 实验结果 | 第42-44页 |
| 5.4.1 数据集与评价指标 | 第42页 |
| 5.4.2 基准算法 | 第42-43页 |
| 5.4.3 实验结果 | 第43-44页 |
| 5.5 本章小结 | 第44-45页 |
| 第六章 半监督图像翻译在人脸去妆任务中的应用 | 第45-49页 |
| 6.1 引言 | 第45页 |
| 6.2 人脸去妆算法应用 | 第45-48页 |
| 6.2.1 数据集与评价指标 | 第46页 |
| 6.2.2 基准算法 | 第46-47页 |
| 6.2.3 实验结果 | 第47-48页 |
| 6.3 本章小结 | 第48-49页 |
| 第七章 总结与展望 | 第49-51页 |
| 7.1 本文工作总结 | 第49-50页 |
| 7.2 未来工作和研究方向 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第54-55页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第55-56页 |
| 致谢 | 第56页 |