基于生成式对抗网络的图像修复算法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 基于结构的图像修复 | 第9-10页 |
| 1.2.2 基于纹理的图像修复 | 第10-11页 |
| 1.2.3 基于深度学习的图像修复 | 第11-12页 |
| 1.3 研究内容 | 第12-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 2 相关理论及算法研究 | 第16-30页 |
| 2.1 生成式对抗网络(GAN) | 第16-20页 |
| 2.1.1 理论及模型结构 | 第17-18页 |
| 2.1.2 实验结果分析 | 第18-20页 |
| 2.2 深度卷积生成式对抗网络 | 第20-23页 |
| 2.2.1 转置卷积算法 | 第20-21页 |
| 2.2.2 理论及模型结构 | 第21-22页 |
| 2.2.3 实验结果分析 | 第22-23页 |
| 2.3 Wasserstein生成式对抗网络 | 第23-28页 |
| 2.3.1 相关理论及原理 | 第23-25页 |
| 2.3.2 Wasserstein距离 | 第25-26页 |
| 2.3.3 WassersteinGAN | 第26-27页 |
| 2.3.4 实验结果分析 | 第27-28页 |
| 2.4 本章小结 | 第28-30页 |
| 3 图像修复算法模型 | 第30-42页 |
| 3.1 算法框架 | 第30-31页 |
| 3.2 图像预处理 | 第31-34页 |
| 3.2.1 OpenFace环境搭建 | 第31-32页 |
| 3.2.2 人脸检测算法 | 第32-34页 |
| 3.3 WGAN网络训练模型 | 第34-36页 |
| 3.4 图像修复 | 第36-40页 |
| 3.4.1 语境损失 | 第37页 |
| 3.4.2 感知损失 | 第37-38页 |
| 3.4.3 图像修补 | 第38-40页 |
| 3.5 本章小结 | 第40-42页 |
| 4 图像修复算法的实现 | 第42-48页 |
| 4.1 系统环境搭建 | 第42-44页 |
| 4.1.1 Tensorflow系统 | 第42页 |
| 4.1.2 Tensorflow编译及安装 | 第42-44页 |
| 4.2 训练数据集准备 | 第44页 |
| 4.3 超参数文本配置 | 第44-45页 |
| 4.4 神经网络模型搭建 | 第45-46页 |
| 4.5 本章小结 | 第46-48页 |
| 5 评价指标 | 第48-54页 |
| 5.1 主观评价方法 | 第48-50页 |
| 5.2 客观评价方法 | 第50-53页 |
| 5.3 本章小结 | 第53-54页 |
| 6 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54页 |
| 6.2 展望 | 第54-56页 |
| 致谢 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 硕士学位期间取得的科研成果 | 第62页 |
