| 摘要 | 第4-6页 |
| abstract | 第6-8页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究意义 | 第12-14页 |
| 1.3 研究现状 | 第14-17页 |
| 1.4 图像泛化评价标准 | 第17-18页 |
| 1.5 创新点 | 第18页 |
| 1.6 主要内容 | 第18-19页 |
| 第2章 图像生成算法简介 | 第19-33页 |
| 2.1 神经网络 | 第19-20页 |
| 2.2 自动编码机 | 第20-21页 |
| 2.3 变分自动编码机(VAE) | 第21-26页 |
| 2.3.1 序列化的变分自动编码器(DRAW) | 第23-25页 |
| 2.3.2 条件变分自动编码器(CVAE) | 第25-26页 |
| 2.4 生成对抗神经网络(GAN) | 第26-32页 |
| 2.4.1 GAN的理论基础 | 第26-27页 |
| 2.4.2 GAN的特点 | 第27-29页 |
| 2.4.3 Wasserstein距离生成对抗神经网络(WGAN) | 第29-30页 |
| 2.4.4 深度卷积生成对抗神经网络(DCGAN) | 第30-31页 |
| 2.4.5 条件生成对抗神经网络(CGAN) | 第31-32页 |
| 2.4.6 GAN的应用方向 | 第32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 简单图像的单点泛化 | 第33-43页 |
| 3.1 任务描述 | 第33-36页 |
| 3.2 双条件深度生成模型 | 第36-42页 |
| 3.3 本章小结 | 第42-43页 |
| 第4章 实验设计与分析 | 第43-56页 |
| 4.1 MNIST数据集 | 第43-48页 |
| 4.2 Fashion-MNIST数据集 | 第48-52页 |
| 4.3 Omniglot数据集 | 第52-55页 |
| 4.4 运行环境 | 第55页 |
| 4.5 本章小结 | 第55-56页 |
| 第5章 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56页 |
| 5.2 展望 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 作者简介及在学期间所取得的科研成果 | 第64-65页 |
| 致谢 | 第65页 |