| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 图像修复技术研究进展 | 第9-11页 |
| 1.2.2 生成对抗网络研究进展 | 第11-13页 |
| 1.3 论文内容安排 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 2 生成对抗网络相关理论及算法研究 | 第16-38页 |
| 2.1 生成对抗网络(GAN) | 第16-22页 |
| 2.1.1 理论及模型结构 | 第16-20页 |
| 2.1.2 实验结果分析 | 第20-22页 |
| 2.2 深度卷积生成对抗网络(DCGAN) | 第22-29页 |
| 2.2.1 卷积神经网络(CNN) | 第22-24页 |
| 2.2.2 批归一化 | 第24-25页 |
| 2.2.3 深度卷积生成对抗网络 | 第25-28页 |
| 2.2.4 实验结果分析 | 第28-29页 |
| 2.3 Wasserstein生成对抗网络 | 第29-33页 |
| 2.3.1 相关理论及原理 | 第29页 |
| 2.3.2 Wasserstein距离 | 第29-30页 |
| 2.3.3 谱归一化 | 第30-32页 |
| 2.3.4 实验结果分析 | 第32-33页 |
| 2.4 残差网络 | 第33-36页 |
| 2.4.1 残差网络的提出 | 第33-34页 |
| 2.4.2 残差网络模型 | 第34-36页 |
| 2.5 本章小结 | 第36-38页 |
| 3 图像修复模型与算法 | 第38-46页 |
| 3.1 数字图像处理 | 第38-39页 |
| 3.2 算法框架 | 第39-40页 |
| 3.3 人脸图像修复损失函数 | 第40-43页 |
| 3.3.1 图像修复函数 | 第40-41页 |
| 3.3.2 语境损失函数 | 第41-42页 |
| 3.3.3 感知损失函数 | 第42页 |
| 3.3.4 图像修复与泊松融合 | 第42-43页 |
| 3.4 本章小结 | 第43-46页 |
| 4 基于Residual-WGAN的人脸修复算法模型 | 第46-62页 |
| 4.1 系统环境搭建 | 第46-48页 |
| 4.1.1 系统硬件环境 | 第46-47页 |
| 4.1.2 系统软件环境 | 第47-48页 |
| 4.1.3 Tensorflow框架 | 第48页 |
| 4.2 数据集准备 | 第48-50页 |
| 4.3 模型搭建 | 第50-56页 |
| 4.3.1 实验训练参数 | 第50-51页 |
| 4.3.2 实验模型结构 | 第51-54页 |
| 4.3.3 人脸图像修复仿真 | 第54-56页 |
| 4.4 人脸图像修复评价指标 | 第56-59页 |
| 4.4.1 主观评价 | 第56页 |
| 4.4.2 客观评价 | 第56-59页 |
| 4.5 实验结果分析 | 第59-60页 |
| 4.6 本章小结 | 第60-62页 |
| 5 总结与展望 | 第62-66页 |
| 5.1 总结 | 第62-63页 |
| 5.2 展望 | 第63-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士期间主要研究成果 | 第70-72页 |
| 致谢 | 第72页 |