基于注意机制的渐进式图像生成模型研究
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第16-21页 |
| 1.1 研究背景及意义 | 第16页 |
| 1.2 研究现状 | 第16-20页 |
| 1.2.1 基于生成对抗网络的图像生成方法 | 第18页 |
| 1.2.2 基于变分自动编码器的图像生成方法 | 第18-19页 |
| 1.2.3 基于自回归模型的图像生成方法 | 第19页 |
| 1.2.4 注意机制在深度学习中的应用 | 第19-20页 |
| 1.3 研究内容及结构安排 | 第20-21页 |
| 第二章 基于生成对抗网络的图像生成模型 | 第21-35页 |
| 2.1 引言 | 第21页 |
| 2.2 生成对抗网络模型 | 第21-26页 |
| 2.2.1 生成器与判别器 | 第22-24页 |
| 2.2.2 模型目标函数 | 第24-26页 |
| 2.3 反向传播算法 | 第26-28页 |
| 2.4 实验结果与分析 | 第28-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 基于变分自动编码器的图像生成模型 | 第35-48页 |
| 3.1 引言 | 第35页 |
| 3.2 隐变量介绍 | 第35-37页 |
| 3.3 变分推断理论 | 第37-39页 |
| 3.3.1 变分推断基础 | 第37页 |
| 3.3.2 变分下界 | 第37-38页 |
| 3.3.3 隐变量分布函数 | 第38-39页 |
| 3.4 变分自动编码器模型 | 第39-43页 |
| 3.4.1 编码器与解码器 | 第39-40页 |
| 3.4.2 变分自动编码器损失函数 | 第40-42页 |
| 3.4.3 条件变分自动编码器 | 第42-43页 |
| 3.5 实验结果与分析 | 第43-46页 |
| 3.6 本章小结 | 第46-48页 |
| 第四章 基于注意机制的渐进式图像生成模型 | 第48-64页 |
| 4.1 引言 | 第48-49页 |
| 4.2 循环神经网络 | 第49-54页 |
| 4.2.1 传统循环神经网络 | 第49-52页 |
| 4.2.2 长短期记忆模型 | 第52-54页 |
| 4.3 注意机制生成模型 | 第54-59页 |
| 4.3.1 网络架构 | 第54-57页 |
| 4.3.2 损失函数 | 第57页 |
| 4.3.3 注意机制 | 第57-59页 |
| 4.4 实验结果及分析 | 第59-63页 |
| 4.4.1 实验数据和结果 | 第59-62页 |
| 4.4.2 三种图像生成模型对比 | 第62-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 工作总结 | 第64-65页 |
| 5.2 工作展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第70-71页 |
| 表格清单 | 第71-72页 |
