| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 人脸图像复原的国内外研究现状 | 第14-16页 |
| 1.2.2 三维人脸重建的国内外研究现状 | 第16-18页 |
| 1.3 本文主要研究内容与章节安排 | 第18-20页 |
| 1.3.1 主要研究内容 | 第18-19页 |
| 1.3.2 章节安排 | 第19-20页 |
| 第2章 相关理论 | 第20-39页 |
| 2.1 生成图像方法 | 第20-24页 |
| 2.1.1 GAN | 第20-23页 |
| 2.1.2 AutoEncoder | 第23-24页 |
| 2.2 卷积神经网络 | 第24-32页 |
| 2.2.1 卷积神经网络原理 | 第24-27页 |
| 2.2.2 卷积神经网络模型 | 第27-31页 |
| 2.2.3 卷积神经网络优化 | 第31-32页 |
| 2.3 三维人脸重建算法 | 第32-38页 |
| 2.3.1 基于三维形变模型的重建算法 | 第32-34页 |
| 2.3.2 基于统计学习的重建方法 | 第34-36页 |
| 2.3.3 基于其他思想的重建算法 | 第36-38页 |
| 2.4 本章小节 | 第38-39页 |
| 第3章 基于AutoEncoder的人脸图像去遮挡算法 | 第39-50页 |
| 3.1 添加人脸遮挡 | 第39-42页 |
| 3.1.1 固定遮挡 | 第40-41页 |
| 3.1.2 随机遮挡 | 第41-42页 |
| 3.2 网络构建 | 第42-46页 |
| 3.2.1 卷积编码网络 | 第42-44页 |
| 3.2.2 转置卷积解码网络 | 第44-45页 |
| 3.2.3 网络损失函数 | 第45-46页 |
| 3.3 基于AutoEncoder的人脸图像去遮挡 | 第46-49页 |
| 3.3.1 基于AutoEncoder的人脸图像去遮挡网络 | 第46-48页 |
| 3.3.2 基于AutoEncoder的人脸图像去遮挡算法 | 第48-49页 |
| 3.4 本章小结 | 第49-50页 |
| 第4章 基于E2FARMod的有遮挡三维人脸重建算法 | 第50-63页 |
| 4.1 扩展数据集 | 第50-55页 |
| 4.1.1 形变模型参数 | 第50-53页 |
| 4.1.2 不同姿态和光照条件 | 第53-54页 |
| 4.1.3 增强鲁棒性 | 第54-55页 |
| 4.2 基于E2FARMod的优化 | 第55-60页 |
| 4.2.1 E2FARMod算法 | 第55-57页 |
| 4.2.2 基于E2FARMod的网络训练过程 | 第57-60页 |
| 4.3 基于E2FARMod的有遮挡三维人脸重建 | 第60-62页 |
| 4.3.1 基于E2FARMod的有遮挡三维人脸重建网络 | 第60-61页 |
| 4.3.2 基于E2FARMod的有遮挡三维人脸重建算法 | 第61-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第5章 实验结果及分析 | 第63-78页 |
| 5.1 实验环境 | 第63-66页 |
| 5.1.1 硬件环境 | 第63-64页 |
| 5.1.2 软件环境 | 第64-66页 |
| 5.2 实验数据集 | 第66-69页 |
| 5.2.1 CelebA | 第66页 |
| 5.2.2 LFW | 第66-67页 |
| 5.2.3 AT&T | 第67页 |
| 5.2.4 BFM | 第67-68页 |
| 5.2.5 AFLW2000-3D | 第68-69页 |
| 5.3 实验评价标准 | 第69-71页 |
| 5.3.1 结构相似性 | 第69-70页 |
| 5.3.2 人脸相似度 | 第70页 |
| 5.3.3 均方根误差 | 第70-71页 |
| 5.4 实验结果及分析 | 第71-77页 |
| 5.4.1 基于AutoEncoder的人脸图像去遮挡算法的实验结果及分析 | 第71-75页 |
| 5.4.2 基于E2FARMod的有遮挡三维人脸重建算法的实验结果及分析 | 第75-77页 |
| 5.5 本章小结 | 第77-78页 |
| 第6章 总结与展望 | 第78-80页 |
| 6.1 总结 | 第78-79页 |
| 6.2 进一步工作方向 | 第79-80页 |
| 致谢 | 第80-81页 |
| 参考文献 | 第81-85页 |
