| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题背景及研究的目的和意义 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.2.1 传统提高帧率方法研究现状 | 第11-12页 |
| 1.2.2 基于生成对抗网络的图像生成方法研究现状 | 第12-13页 |
| 1.3 本文的主要研究内容及结构安排 | 第13-15页 |
| 第2章 基于SC-GAN的帧间图像生成方法的架构 | 第15-22页 |
| 2.1 引言 | 第15页 |
| 2.2 GAN的基本原理 | 第15-19页 |
| 2.2.1 GAN的模型框架 | 第16-17页 |
| 2.2.2 GAN模型的优势 | 第17页 |
| 2.2.3 GAN经典的改进模型 | 第17-19页 |
| 2.3 基于SC-GAN的帧间图像生成方法架构 | 第19-20页 |
| 2.3.1 GAN在帧间图像生成中的不足 | 第19-20页 |
| 2.3.2 改进的SC-GAN的帧间图像生成方法架构 | 第20页 |
| 2.4 本章小结 | 第20-22页 |
| 第3章 基于SC-GAN的帧间图像生成算法 | 第22-33页 |
| 3.1 引言 | 第22页 |
| 3.2 空间连续性 | 第22-23页 |
| 3.3 SC-GAN模型的构造 | 第23-29页 |
| 3.3.1 自编码器 | 第24-26页 |
| 3.3.2 网络模型 | 第26-27页 |
| 3.3.3 Wasserstein距离 | 第27-28页 |
| 3.3.4 平衡参数γ | 第28-29页 |
| 3.4 ADAM优化算法以及最优选择 | 第29-32页 |
| 3.4.1 Adam优化算法 | 第29-32页 |
| 3.4.2 Adam优化器的最优选择 | 第32页 |
| 3.5 本章小结 | 第32-33页 |
| 第4章 基于SC-GAN的帧间图像生成的实现 | 第33-49页 |
| 4.1 引言 | 第33页 |
| 4.2 SC-GAN模型的基础组件 | 第33-35页 |
| 4.2.1 Tensorflow开源库 | 第33-34页 |
| 4.2.2 Cuda并行计算架构 | 第34-35页 |
| 4.2.3 Tensor Board可视化工具 | 第35页 |
| 4.3 SC-GAN网络的实现 | 第35-41页 |
| 4.3.1 生成器网络 | 第36-38页 |
| 4.3.2 判别器网络 | 第38-39页 |
| 4.3.3 平衡状态控制 | 第39-40页 |
| 4.3.4 损失函数 | 第40-41页 |
| 4.4 基于SC-GAN的帧间图像生成的实现 | 第41-48页 |
| 4.4.1 数据初始化 | 第41-43页 |
| 4.4.2 训练网络 | 第43-46页 |
| 4.4.3 帧间图像生成实现 | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 基于SC-GAN的帧间图像生成实验 | 第49-62页 |
| 5.1 引言 | 第49页 |
| 5.2 数据来源 | 第49-51页 |
| 5.3 评价指标 | 第51页 |
| 5.4 生成模型质量评估 | 第51-54页 |
| 5.4.1 CelebA数据集评估模型 | 第52-53页 |
| 5.4.2 CartoonFaces数据集评估模型 | 第53-54页 |
| 5.4.3 评估结果分析 | 第54页 |
| 5.5 帧间图像生成实验 | 第54-60页 |
| 5.5.1 帧间图像生成实验 | 第55-57页 |
| 5.5.2 生成实验结果分析 | 第57页 |
| 5.5.3 帧间图像生成质量验证 | 第57-60页 |
| 5.5.4 质量验证结果分析 | 第60页 |
| 5.6 实验结果分析 | 第60页 |
| 5.7 本章小结 | 第60-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第68-69页 |
| 致谢 | 第69页 |
