基于VAE的条件生成式对抗网络模型研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 生成模型的发展及现状 | 第12-14页 |
| 1.3 本文研究主要内容 | 第14-15页 |
| 1.4 本文结构安排 | 第15-16页 |
| 第2章 变分自动编码器 | 第16-29页 |
| 2.1 传统自动编码器 | 第16-20页 |
| 2.1.1 稀疏自动编码器 | 第18-20页 |
| 2.2 变分自编码器 | 第20-29页 |
| 2.2.1 隐变量模型 | 第21-22页 |
| 2.2.2 变分边际 | 第22-23页 |
| 2.2.3 AEVB算法 | 第23-24页 |
| 2.2.4 VAE训练过程 | 第24-27页 |
| 2.2.5 相关概念 | 第27-29页 |
| 第3章 生成式对抗网络 | 第29-43页 |
| 3.1 GANS基本原理 | 第29-34页 |
| 3.1.1 训练过程 | 第30-32页 |
| 3.1.2 算法原理 | 第32-34页 |
| 3.2 条件生成式对抗网络 | 第34-35页 |
| 3.3 深度卷积生成式对抗网络 | 第35-39页 |
| 3.3.1 网络结构 | 第36-37页 |
| 3.3.2 步幅卷积 | 第37-39页 |
| 3.4 Wasserstein GAN | 第39-43页 |
| 3.4.1 Wasserstein距离 | 第39-40页 |
| 3.4.2 WGAN算法 | 第40-41页 |
| 3.4.3 Gradient penalty方法 | 第41-43页 |
| 第4章 基于变分自编码的条件生成式对抗网络模型 | 第43-50页 |
| 4.1 基于VAE的生成式对抗网络 | 第43-47页 |
| 4.1.1 VAE/GAN模型结构 | 第44-46页 |
| 4.1.2 训练过程 | 第46-47页 |
| 4.2 基于VAE的条件生成式对抗网络 | 第47-50页 |
| 第5章 实验及结果分析 | 第50-59页 |
| 5.1 生成对抗网络常用数据集 | 第50-52页 |
| 5.1.1 MNIST数据集 | 第50页 |
| 5.1.2 CIFAR-10数据集 | 第50-51页 |
| 5.1.3 CelebA数据集 | 第51-52页 |
| 5.2 本文算法介绍 | 第52-53页 |
| 5.3 实验过程 | 第53页 |
| 5.3.1 生成特征图 | 第53页 |
| 5.3.2 特征图和样本图像融合 | 第53页 |
| 5.4 实验结果分析 | 第53-59页 |
| 5.4.1 特征图的生成及分析 | 第53-54页 |
| 5.4.2 实验结果及分析 | 第54-59页 |
| 第6章 总结与展望 | 第59-61页 |
| 6.1 本文总结 | 第59-60页 |
| 6.2 本文展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 作者简介及在学期间取得的科研成果 | 第65-66页 |
| 致谢 | 第66页 |
