基于对抗生成网络的反射去除算法
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景 | 第10-13页 |
| 1.2 本文工作 | 第13页 |
| 1.3 本文结构 | 第13-14页 |
| 第二章 反射去除算法的研究现状 | 第14-23页 |
| 2.1 概述 | 第14-15页 |
| 2.2 基于边缘角点数量稀疏性先验的反射去除算法 | 第15-16页 |
| 2.3 基于用户辅助标记先验的反射去除算法 | 第16-18页 |
| 2.4 基于反射图像相对模糊先验的反射去除算法 | 第18-19页 |
| 2.5 基于反射图像存在鬼影先验的反射去除算法 | 第19-21页 |
| 2.6 本章小结 | 第21-23页 |
| 第三章 卷积神经网络与对抗生成网络的发展 | 第23-33页 |
| 3.1 概述 | 第23-24页 |
| 3.2 卷积神经网络的架构发展简史 | 第24-25页 |
| 3.3 卷积神经网络的可视化分析 | 第25-28页 |
| 3.4 卷积神经网络在图像复原中的应用 | 第28-30页 |
| 3.4.1 基于卷积神经网络的超分辨率重建 | 第28-29页 |
| 3.4.2 基于卷积神经网络的灰度图像上色 | 第29-30页 |
| 3.5 原始的对抗生成网络 | 第30-31页 |
| 3.6 深度卷积对抗生成网络 | 第31-32页 |
| 3.7 本章小结 | 第32-33页 |
| 第四章 基于对抗生成网络的反射去除算法 | 第33-44页 |
| 4.1 概述 | 第33-34页 |
| 4.2 分解网络的结构设计 | 第34-36页 |
| 4.2.1 编码器网络 | 第34-35页 |
| 4.2.2 残差块网络 | 第35页 |
| 4.2.3 解码器网络 | 第35-36页 |
| 4.3 关于分解网络结构设计的讨论 | 第36-38页 |
| 4.4 鉴别网络的结构设计 | 第38-39页 |
| 4.5 网络的损失函数的定义 | 第39-41页 |
| 4.5.1 重建损失函数 | 第39-40页 |
| 4.5.2 对抗损失函数 | 第40-41页 |
| 4.5.3 联合损失函数 | 第41页 |
| 4.6 关于对抗损失函数的作用的讨论 | 第41-43页 |
| 4.7 本章小结 | 第43-44页 |
| 第五章 实验分析 | 第44-66页 |
| 5.1 概述 | 第44页 |
| 5.2 在MNIST手写数字数据集上的实验 | 第44-53页 |
| 5.2.1 MNIST数据集 | 第44页 |
| 5.2.2 网络结构设计 | 第44-45页 |
| 5.2.3 网络模型训练 | 第45-47页 |
| 5.2.4 使用两种损失函数 | 第47-50页 |
| 5.2.5 仅使用重建损失函数 | 第50页 |
| 5.2.6 仅使用对抗损失函数 | 第50页 |
| 5.2.7 本节实验总结 | 第50-53页 |
| 5.3 在自然图像数据集上的实验 | 第53-62页 |
| 5.3.1 LSUN数据集 | 第53页 |
| 5.3.2 LFW数据集 | 第53页 |
| 5.3.3 网络结构设计 | 第53-54页 |
| 5.3.4 网络模型训练 | 第54-57页 |
| 5.3.5 使用联合损失函数 | 第57页 |
| 5.3.6 加入感知损失函数 | 第57-60页 |
| 5.3.7 模型对光照条件的适应性 | 第60-62页 |
| 5.3.8 本节实验总结 | 第62页 |
| 5.4 与现有的反射去除算法的对比 | 第62-64页 |
| 5.5 本章小结 | 第64-66页 |
| 总结 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间取得的研究成果 | 第71-72页 |
| 致谢 | 第72-73页 |
| 附表 | 第73页 |
