基于感知损失的深度卷积网络的草图简化研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 选题背景及研究意义 | 第11-12页 |
| 1.2 论文研究思路 | 第12-14页 |
| 1.3 本文的主要工作及章节结构 | 第14-16页 |
| 1.3.1 本文主要工作 | 第14-15页 |
| 1.3.2 本文的章节结构 | 第15-16页 |
| 1.4 本章小结 | 第16-17页 |
| 第二章 草图简化研究现状及难点 | 第17-29页 |
| 2.1 引言 | 第17页 |
| 2.2 传统草图简化研究现状 | 第17-21页 |
| 2.2.1 矢量化草图简化 | 第18-20页 |
| 2.2.2 栅格化草图简化 | 第20-21页 |
| 2.3 基于深度学习的草图简化研究现状 | 第21-25页 |
| 2.3.1 原始深度学习草图简化模型 | 第21-22页 |
| 2.3.2 基于生成对抗网络的草图模型 | 第22-24页 |
| 2.3.3 现有草图简化网络问题原因分析 | 第24-25页 |
| 2.4 草图简化难点分析 | 第25-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 本文关键技术分析 | 第29-40页 |
| 3.1 引言 | 第29页 |
| 3.2 卷积神经网络网络结构 | 第29-31页 |
| 3.2.1 图像转换网络 | 第29-30页 |
| 3.2.2 卷积神经网络常规块与残差块 | 第30-31页 |
| 3.3 基于感知损失的图像分析 | 第31-36页 |
| 3.3.1 基于预训练网络层特征差异的图像分析 | 第32-34页 |
| 3.3.2 基于生成对抗网络的图像分析 | 第34-36页 |
| 3.4 数据不足提升网络鲁棒性方法 | 第36-39页 |
| 3.4.1 数据增强 | 第36-37页 |
| 3.4.2 随机失效 | 第37-38页 |
| 3.4.3 半监督学习 | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于感知损失的卷积网络的草图简化 | 第40-49页 |
| 4.1 算法整体框架 | 第40页 |
| 4.2 网络结构 | 第40-43页 |
| 4.2.1 草图简化网络网络结构 | 第40-43页 |
| 4.2.2 鉴别网络网络结构 | 第43页 |
| 4.3 损失函数 | 第43-46页 |
| 4.3.1 特征损失 | 第44-45页 |
| 4.3.2 对抗损失 | 第45-46页 |
| 4.4 协同训练 | 第46-47页 |
| 4.5 模拟光照阴影的数据增强 | 第47-48页 |
| 4.6 本章小结 | 第48-49页 |
| 第五章 实验与分析 | 第49-64页 |
| 5.1 数据集介绍 | 第49-50页 |
| 5.2 评价标准 | 第50-51页 |
| 5.3 特征提取网络分析 | 第51-54页 |
| 5.4 与先进方法对比与分析 | 第54-60页 |
| 5.4.1 与先进方法简化效果评估 | 第54-56页 |
| 5.4.2 与先进方法示例比较 | 第56-59页 |
| 5.4.3 算法效率对比与分析 | 第59-60页 |
| 5.5 不同改进元素对比与分析 | 第60-63页 |
| 5.5.1 数据增强的作用 | 第60-61页 |
| 5.5.2 不同损失函数的作用 | 第61-63页 |
| 5.6 本章小结 | 第63-64页 |
| 第六章 结论与展望 | 第64-66页 |
| 6.1 本文主要研究工作总结 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 攻读硕士学位期间取得的研究成果 | 第72-73页 |
| 致谢 | 第73-74页 |
| 附件 | 第74页 |
