| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景和意义 | 第8-11页 |
| 1.1.1 研究背景 | 第8-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 深度学习研究现状 | 第11-12页 |
| 1.2.2 图像生成研究现状 | 第12-13页 |
| 1.3 研究目标和研究内容 | 第13-14页 |
| 1.4 本文的结构安排 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 2 图像生成领域的相关知识 | 第16-32页 |
| 2.1 卷积神经网络 | 第16-22页 |
| 2.1.1 激活函数 | 第16-18页 |
| 2.1.2 卷积 | 第18-20页 |
| 2.1.3 反卷积 | 第20-22页 |
| 2.2 距离度量方法 | 第22-24页 |
| 2.2.1 KL散度 | 第22-23页 |
| 2.2.2 JS散度 | 第23-24页 |
| 2.2.3 Wasserstein距离 | 第24页 |
| 2.3 主流的生成模型 | 第24-30页 |
| 2.3.1 变分自编码器(VAE) | 第24-27页 |
| 2.3.2 生成对抗网络(GAN) | 第27-30页 |
| 2.4 本章小结 | 第30-32页 |
| 3 融合Wasserstein距离的循环生成对抗网络模型 | 第32-40页 |
| 3.1 生成对抗网络模型的一般性 | 第32-33页 |
| 3.2 融合Wasserstein距离的循环生成对抗网络模型 | 第33-39页 |
| 3.2.1 理论分析 | 第33-35页 |
| 3.2.2 目标函数 | 第35页 |
| 3.2.3 模型结构 | 第35-38页 |
| 3.2.4 训练流程 | 第38-39页 |
| 3.3 本章小结 | 第39-40页 |
| 4 优化训练WGRAN模型 | 第40-45页 |
| 4.1 WGARN模型存在的问题 | 第40页 |
| 4.2 WGARN-GP模型 | 第40-44页 |
| 4.2.1 理论分析 | 第40-41页 |
| 4.2.2 目标函数 | 第41-42页 |
| 4.2.3 模型结构&训练流程 | 第42-44页 |
| 4.3 本章小结 | 第44-45页 |
| 5 实验及结果分析 | 第45-62页 |
| 5.1 数据集 | 第45-46页 |
| 5.1.1 MNIST数据集 | 第45页 |
| 5.1.2 cifar10数据集 | 第45页 |
| 5.1.3 LSUN数据集 | 第45页 |
| 5.1.4 CelebA数据集 | 第45-46页 |
| 5.2 评价标准体系 | 第46-48页 |
| 5.2.1 生成对抗测评(GAM) | 第46-48页 |
| 5.2.2 初始得分(inceptionscores) | 第48页 |
| 5.3 实验对比及结果分析 | 第48-60页 |
| 5.3.1 实验模型结构设置 | 第48-49页 |
| 5.3.2 simWGRANvs.simWGRAN-GP | 第49-52页 |
| 5.3.3 自比较 | 第52-54页 |
| 5.3.4 与生成对抗网络模型对比 | 第54-56页 |
| 5.3.5 与其他非生成对抗网络模型对比 | 第56-57页 |
| 5.3.6 可视化结果 | 第57-60页 |
| 5.4 本章小结 | 第60-62页 |
| 6 总结和展望 | 第62-64页 |
| 6.1 研究总结 | 第62-63页 |
| 6.2 工作展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 附录 | 第69页 |
| A.作者在攻读学位期间发表的论文目录 | 第69页 |
| B.作者在攻读学位期间参加的项目 | 第69页 |
