生成对抗网络研究及其在图像风格转换的应用
| 论文摘要 | 第4-5页 |
| abstract of thesis | 第5-8页 |
| 引言 | 第8-10页 |
| 1 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究进展 | 第12-15页 |
| 1.2.1 生成对抗网络研究进展 | 第12-13页 |
| 1.2.2 图像风格转换研究进展 | 第13-15页 |
| 1.3 本文工作 | 第15页 |
| 1.4 本文的组织 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 2 相关技术 | 第17-40页 |
| 2.1 生成对抗网络 | 第17-23页 |
| 2.1.1 生成对抗网络基本原理 | 第17-18页 |
| 2.1.2 概率分布度量方法 | 第18-19页 |
| 2.1.3 生成对抗网络的训练流程 | 第19-23页 |
| 2.2 卷积神经网络简介 | 第23-31页 |
| 2.2.1 卷积神经网络的基本原理 | 第23-28页 |
| 2.2.2 卷积神经网络的训练 | 第28-31页 |
| 2.3 图像风格转换 | 第31-37页 |
| 2.3.1 基于迭代优化的图像风格转换 | 第31-34页 |
| 2.3.2 基于转换网络的图像风格转换 | 第34-35页 |
| 2.3.3 基于生成对抗网络的图像风格转换 | 第35-37页 |
| 2.4 结构相似性指数 | 第37页 |
| 2.5 Tensorflow深度学习平台 | 第37-39页 |
| 2.6 本章小结 | 第39-40页 |
| 3 SSIM-GAN算法模型 | 第40-52页 |
| 3.1 SSIM-GAN网络结构 | 第40-45页 |
| 3.1.1 生成器网络结构 | 第40-43页 |
| 3.1.2 判别器网络结构 | 第43-45页 |
| 3.2 目标函数 | 第45-48页 |
| 3.2.1 对抗损失函数 | 第45-46页 |
| 3.2.2 重建损失函数 | 第46-48页 |
| 3.3 目标函数优化算法 | 第48-50页 |
| 3.4 SSIM-GAN训练流程 | 第50-51页 |
| 3.5 本章小结 | 第51-52页 |
| 4 实验结果对比与分析 | 第52-61页 |
| 4.1 实验环境 | 第52页 |
| 4.2 数据集介绍 | 第52-54页 |
| 4.2.1 sketch-photo数据集 | 第52-53页 |
| 4.2.2 beihong-photo数据集 | 第53-54页 |
| 4.3 SSIM-GAN实验验证 | 第54-60页 |
| 4.3.1 实验一 | 第55-57页 |
| 4.3.2 实验二 | 第57-59页 |
| 4.3.3 实验三 | 第59-60页 |
| 4.4 本章小结 | 第60-61页 |
| 5 总结与展望 | 第61-63页 |
| 5.1 论文总结 | 第61-62页 |
| 5.2 未来工作展望 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 在学研究成果 | 第68-69页 |
| 致谢 | 第69页 |
