基于深度学习的图像合成技术研究
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景 | 第15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.3 本文研究内容 | 第17-18页 |
| 1.4 论文结构安排 | 第18-21页 |
| 第二章 相关技术介绍 | 第21-31页 |
| 2.1 图像抠取技术 | 第21-24页 |
| 2.1.1 基于颜色采样的图像抠取方法 | 第22-23页 |
| 2.1.2 基于传播思想的图像抠取方法 | 第23-24页 |
| 2.2 图像补全策略 | 第24-26页 |
| 2.2.1 基于分解的补全策略 | 第24-25页 |
| 2.2.2 基于样本的补全策略 | 第25-26页 |
| 2.3 图像融合技术 | 第26-27页 |
| 2.3.1 基于梯度场的方法 | 第26-27页 |
| 2.3.2 基于多分辨率的方法 | 第27页 |
| 2.4 深度学习基础及常用模型 | 第27-29页 |
| 2.4.1 卷积神经网络 | 第27-28页 |
| 2.4.2 生成式对抗网络 | 第28-29页 |
| 2.5 本章小结 | 第29-31页 |
| 第三章 前景目标抠取策略研究 | 第31-49页 |
| 3.1 现有图像抠取技术及存在的问题 | 第31-33页 |
| 3.2 深度学习系统架构 | 第33-36页 |
| 3.3 图像抠取网络的详细设计 | 第36-39页 |
| 3.3.1 网络结构 | 第36-38页 |
| 3.3.2 损失函数 | 第38-39页 |
| 3.4 数据集构建 | 第39-44页 |
| 3.4.1 自然图像数据集 | 第40-41页 |
| 3.4.2 合成图像数据集 | 第41-44页 |
| 3.5 实验结果及分析 | 第44-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第四章 背景补全关键技术研究 | 第49-67页 |
| 4.1 现有图像补全技术及存在的问题 | 第49-51页 |
| 4.2 图像补全系统的设计 | 第51-58页 |
| 4.2.1 系统架构 | 第51-52页 |
| 4.2.2 语义补全网络设计 | 第52-53页 |
| 4.2.3 真实感增强网络设计 | 第53-55页 |
| 4.2.4 基础网络结构 | 第55-58页 |
| 4.3 图像补全数据集构建 | 第58-60页 |
| 4.4 实验结果及分析 | 第60-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第五章 基于深度学习的融合策略研究 | 第67-79页 |
| 5.1 现有融合技术及存在的问题 | 第67-68页 |
| 5.2 图像融合系统的架构 | 第68-70页 |
| 5.3 网络与损失函数设计 | 第70-72页 |
| 5.3.1 网络结构 | 第70-71页 |
| 5.3.2 损失函数设计 | 第71-72页 |
| 5.4 融合数据集构建 | 第72-74页 |
| 5.5 实验结果及分析 | 第74-76页 |
| 5.6 本章小结 | 第76-79页 |
| 第六章 总结与展望 | 第79-81页 |
| 6.1 本文工作总结 | 第79-80页 |
| 6.2 今后工作展望 | 第80-81页 |
| 参考文献 | 第81-86页 |
| 致谢 | 第86-87页 |
| 研究成果 | 第87页 |
