| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 选题依据、研究背景及意义 | 第10-11页 |
| 1.1.1 选题依据 | 第10页 |
| 1.1.2 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 图像着色技术研究现状 | 第11-14页 |
| 1.2.2 基于深度学习的图像着色研究现状 | 第14-16页 |
| 1.3 本文主要研究内容及安排 | 第16-19页 |
| 1.3.1 主要研究内容 | 第16页 |
| 1.3.2 论文组织结构 | 第16-19页 |
| 1.4 本章小结 | 第19-20页 |
| 第2章 深度学习相关算法及在图像着色方面的基本流程 | 第20-26页 |
| 2.1 基于深度学习图像着色基本流程 | 第20-21页 |
| 2.2 深度学习相关网络 | 第21-25页 |
| 2.2.1 卷积神经网络 | 第21-22页 |
| 2.2.2 残差神经网络 | 第22-23页 |
| 2.2.3 对抗生成网络 | 第23-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第3章 基于残差神经网络的图像着色算法研究 | 第26-42页 |
| 3.1 基于残差神经网络的图像着色算法 | 第26-31页 |
| 3.1.1 网络结构 | 第27-30页 |
| 3.1.2 损失与训练 | 第30-31页 |
| 3.2 实验结果分析 | 第31-41页 |
| 3.2.1 实验平台和数据集 | 第31-33页 |
| 3.2.2 全局特征网络(指导网络)对着色效果的影响 | 第33-36页 |
| 3.2.3 残差单元结构对着色效果的影响 | 第36页 |
| 3.2.4 实验结果对比(综合实验结果) | 第36-41页 |
| 3.3 本章小结 | 第41-42页 |
| 第4章 基于对抗生成网络的图像着色算法研究 | 第42-50页 |
| 4.1 基于对抗生成网络的图像着色算法 | 第42-47页 |
| 4.1.1 算法与训练 | 第42-44页 |
| 4.1.2 网络结构 | 第44-46页 |
| 4.1.3 损失 | 第46-47页 |
| 4.2 实验结果分析 | 第47-48页 |
| 4.3 本章小结 | 第48-50页 |
| 第5章 基于深度学习的图像着色系统 | 第50-62页 |
| 5.1 系统设计的目的及意义 | 第50页 |
| 5.2 设计着色系统总体设计 | 第50-51页 |
| 5.3 着色系统详细设计 | 第51-57页 |
| 5.3.1 图像上传模块 | 第51-52页 |
| 5.3.2 图像预处理模块 | 第52-56页 |
| 5.3.3 图像着色模块 | 第56-57页 |
| 5.4 着色系统实现 | 第57-61页 |
| 5.5 本章小结 | 第61-62页 |
| 第6章 总结与展望 | 第62-66页 |
| 6.1 全文总结 | 第62-63页 |
| 6.2 未来工作展望 | 第63-66页 |
| 参考文献 | 第66-72页 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 | 第72-73页 |
| 致谢 | 第73-75页 |