基于对抗网络的眼镜摘除人脸复原方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-22页 |
| 1.1 研究背景 | 第11-13页 |
| 1.1.1 研究意义 | 第11-12页 |
| 1.1.2 研究难点 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-20页 |
| 1.2.1 传统的眼镜摘除研究现状 | 第13-16页 |
| 1.2.2 图像转换模型的研究现状 | 第16-20页 |
| 1.3 本文的主要研究内容 | 第20-21页 |
| 1.4 本文的组织结构 | 第21-22页 |
| 第二章 基础知识概述 | 第22-35页 |
| 2.1 变分自动编码器 | 第22-25页 |
| 2.2 生成对抗网络 | 第25-27页 |
| 2.3 无监督样本学习下的跨域图像转换 | 第27-34页 |
| 2.3.1 DiscoGAN网络模型 | 第28-30页 |
| 2.3.2 DualGAN网络模型 | 第30-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 基于循环对抗网络的眼镜摘除 | 第35-57页 |
| 3.1 眼镜摘除训练样本的建立 | 第35-37页 |
| 3.2 循环对抗网络的总体架构 | 第37-44页 |
| 3.2.1 残差模块 | 第38-40页 |
| 3.2.2 实例归一化 | 第40-41页 |
| 3.2.3 生成器 | 第41-43页 |
| 3.2.4 判别器 | 第43-44页 |
| 3.3 网络实验设计 | 第44-48页 |
| 3.3.1 实验环境和参数设置 | 第44-45页 |
| 3.3.2 实验训练步骤 | 第45-46页 |
| 3.3.3 实验评判标准 | 第46-48页 |
| 3.4 基于跳跃链接的眼镜摘除 | 第48-51页 |
| 3.4.1 U-Net网络结构 | 第48-50页 |
| 3.4.2 基于跳跃链接的残差学习 | 第50-51页 |
| 3.5 实验结果与分析 | 第51-56页 |
| 3.6 本章小结 | 第56-57页 |
| 第四章 基于样本距离约束的眼镜摘除 | 第57-72页 |
| 4.1 成对样本间的距离 | 第57-61页 |
| 4.1.1 样本间的距离在不同域间的相关性 | 第57-59页 |
| 4.1.2 样本对的距离约束 | 第59-61页 |
| 4.2 基于样本内距离约束的眼镜摘除 | 第61-65页 |
| 4.2.1 样本内距离约束的计算 | 第61-65页 |
| 4.2.2 基于样本内距离约束的损失设计 | 第65页 |
| 4.3 实验结果与分析 | 第65-71页 |
| 4.4 本章小结 | 第71-72页 |
| 第五章 总结与展望 | 第72-74页 |
| 5.1 论文工作总结 | 第72-73页 |
| 5.2 未来研究工作展望 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 研究生期间的科研活动和研究成果 | 第79-80页 |
| 致谢 | 第80-81页 |
