| 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 研究问题与主要挑战 | 第9-11页 |
| 1.2.1 研究的主要问题 | 第9-10页 |
| 1.2.2 研究的主要挑战 | 第10-11页 |
| 1.3 生成对抗网络研究现状 | 第11-13页 |
| 1.4 本文工作及主要贡献 | 第13-14页 |
| 1.5 本文组织结构 | 第14-16页 |
| 2 生成对抗网络与文本生成图像相关理论 | 第16-30页 |
| 2.1 神经网络理论 | 第16-23页 |
| 2.1.1 人工神经网络 | 第16-18页 |
| 2.1.2 卷积神经网络 | 第18-22页 |
| 2.1.3 反卷积神经网络 | 第22-23页 |
| 2.2 生成对抗网络相关理论 | 第23-26页 |
| 2.3 文本生成图像相关理论 | 第26-27页 |
| 2.3.1 文本描述的向量化 | 第26-27页 |
| 2.4 数据集的选取以及实验结果评估标准 | 第27-29页 |
| 2.4.1 数据集的选取 | 第27-28页 |
| 2.4.2 实验结果评估标准 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 3 基于GAN-CLS算法的文本到图像生成方法及其改进 | 第30-54页 |
| 3.1 引言 | 第30-31页 |
| 3.2 相关工作 | 第31-34页 |
| 3.3 基于GAN-CLS算法的文本生成图像方法 | 第34-39页 |
| 3.4 GAN-CLS文本到图像生成方法的改进 | 第39-48页 |
| 3.4.1 GAN-CLS中 DCGAN网络的局限性 | 第39-42页 |
| 3.4.2 EM距离近似方法 | 第42-46页 |
| 3.4.3 GAN-CLS文本生成图像算法损失函数的改进 | 第46-48页 |
| 3.5 实验结果及分析 | 第48-51页 |
| 3.6 本章小结 | 第51-54页 |
| 4 基于自注意力机制的文本生成图像方法 | 第54-68页 |
| 4.1 文本生成图像中的注意力机制 | 第54页 |
| 4.2 注意力与自注意力机制相关理论 | 第54-59页 |
| 4.3 在文本生成图像方案中引入自注意力机制 | 第59-64页 |
| 4.4 实验结果及分析 | 第64-67页 |
| 4.4.1 实验设置与细节 | 第64-65页 |
| 4.4.2 实验结果与分析 | 第65-67页 |
| 4.5 本章小结 | 第67-68页 |
| 5 总结与展望 | 第68-70页 |
| 5.1 本文总结 | 第68-69页 |
| 5.2 未来展望 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 附录 | 第76-78页 |
| A 作者在攻读学位期间发表的论文目录 | 第76页 |
| B 作者在攻读学位期间发表的专利目录 | 第76-77页 |
| C 学位论文数据集 | 第77-78页 |
| 致谢 | 第78页 |
