基于生成式对抗网络的人脸眼镜迁移
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 课题背景 | 第12-13页 |
| 1.2 研究现状 | 第13-17页 |
| 1.2.1 分类器的设计 | 第13-14页 |
| 1.2.2 特征提取与属性学习 | 第14-15页 |
| 1.2.3 数据增强与人脸属性迁移 | 第15-16页 |
| 1.2.4 图像分类与深度神经网络 | 第16-17页 |
| 1.3 本文的研究内容及文章的组织结构 | 第17-20页 |
| 1.3.1 研究内容 | 第17-19页 |
| 1.3.2 组织结构 | 第19-20页 |
| 1.4 本章小结 | 第20-21页 |
| 第2章 深度学习与图像生成 | 第21-34页 |
| 2.1 深度神经网络 | 第22-23页 |
| 2.1.1 神经网络 | 第22页 |
| 2.1.2 人工智能与深度神经网络 | 第22-23页 |
| 2.2 自动编码器 | 第23-28页 |
| 2.2.1 稀疏自动编码器 | 第24-25页 |
| 2.2.2 去噪自动编码器 | 第25页 |
| 2.2.3 随机自动编码器 | 第25-28页 |
| 2.3 生成式对抗网络 | 第28-30页 |
| 2.4 基于图像的经典结构设计 | 第30-32页 |
| 2.4.1 卷积神经网络 | 第30-31页 |
| 2.4.2 深度卷积生成对抗网络 | 第31-32页 |
| 2.5 本章小结 | 第32-34页 |
| 第3章 基于生成式对抗网络的人脸眼镜迁移 | 第34-45页 |
| 3.1 大规模人脸眼镜迁移的需求及方法说明 | 第34-38页 |
| 3.1.1 合成任务的现实意义需求及方案选择 | 第34-35页 |
| 3.1.2 属性交换网络GeneGAN说明 | 第35-38页 |
| 3.2 网络改进 | 第38-42页 |
| 3.2.1 卷积层使用模块结构替代 | 第39-40页 |
| 3.2.2 非眼镜区域添加重建损失约束 | 第40-41页 |
| 3.2.3 输入输出图像的筛选 | 第41-42页 |
| 3.3 最终的人脸眼镜迁移模型 | 第42-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 实验 | 第45-63页 |
| 4.1 数据集 | 第45-47页 |
| 4.1.1 CelebA | 第45-46页 |
| 4.1.2 MS-Celeb-1M | 第46-47页 |
| 4.2 实验环境 | 第47-48页 |
| 4.3 实验过程 | 第48-56页 |
| 4.3.1 数据处理 | 第49-53页 |
| 4.3.2 预训练 | 第53-55页 |
| 4.3.3 目标数据集训练和图像生成 | 第55-56页 |
| 4.4 实验结果与分析 | 第56-62页 |
| 4.4.1 卷积层使用结构化模块替代优化效果 | 第56-58页 |
| 4.4.2 添加重建损失的优化效果 | 第58页 |
| 4.4.3 筛选输入输出图片的优化效果 | 第58-59页 |
| 4.4.4 实验的最终结果 | 第59-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第5章 总结与展望 | 第63-65页 |
| 5.1 总结 | 第63页 |
| 5.2 未来工作展望 | 第63-65页 |
| 参考文献 | 第65-72页 |
| 致谢 | 第72页 |
