基于对抗式网络的图像数据生成技术研究

发布时间：2024-02-03 11:52

　　基于大规模数据的深度学习研究,在现实世界中,其训练所需上千万、上百万数据的获取以及标注均困难重重,耗费巨大的人力、财力,因而有效获得大量的训练数据是深度学习面临的一大难题。生成对抗网络的出现对解决样本数据不足的研究起到极大的促进作用,但生成对抗网的训练过程中,模型易崩溃,训练过程不稳定,难以收敛等问题,导致生成网络生成图像质量差、无法生成图像或者生成单一。因此,为获取大量的数据,以提升网络泛化推广能力避免网络的过拟合甚为重要与迫切,本文就生成对抗网络在图像数据生成方面的技术进行研究,主要工作和研究成果如下:(1)针对生成对抗网络训练不稳定、难收敛等问题,本文研究并分析了生成对抗网络训练困难的原因,提出了一种基于谱约束的生成对抗网络,该方法引入谱范数归一化层,将梯度限制在1-Lipschtiz条件下,减缓了判别网络的过快收敛,提升了模型的稳定性。(2)针对生成图像质量不高的问题,提出了一种基于残差结构的生成对抗网络,该方法引入残差结构来加深生成器模型与判别器模型的网络深度,提升了生成器模型与判别器模型对于深层特征的获取能力,增强了网络的表达能力,进而提高了网络的生成图像质量。(3)针对生...

【文章页数】：110 页

【学位级别】：硕士

【部分图文】：

图2.6卷积操作

基于对抗式网络的图像数据生成技术研究12图2.6卷积操作Figure2.6Convolutionoperation如图2.6所示，44的绿色网格部分为被卷积图像，33的深绿色网格部分表示卷积核，上层22蓝色网格为卷积操作之后的图像。卷积时，通过不同大小的卷积核、移动步长、图像填充....

图2.7反卷积操作

基于对抗式网络的图像数据生成技术研究12图2.6卷积操作Figure2.6Convolutionoperation如图2.6所示，44的绿色网格部分为被卷积图像，33的深绿色网格部分表示卷积核，上层22蓝色网格为卷积操作之后的图像。卷积时，通过不同大小的卷积核、移动步长、图像填充....

图2.9深度卷积生成对抗网络

基于对抗式网络的图像数据生成技术研究20积生成对抗网络并没有解决GAN训练不稳定、难以收敛的问题。图2.9深度卷积生成对抗网络Figure2.9Deepconvolutiongeneratingadversarialnetwork2.2.3.2瓦瑟施泰因生成对抗网络瓦瑟施泰因生成....

图2.12BigGAN的生成图像

第2章生成对抗网络相关理论与技术23~()1~()1(,,,)[||(())||][||(())||]datadatacycxpxypyLFGXY=GFxx+FGyy...(2.31)(,,,)(,,,)(,,,)GANYGANXcycL=LFDXY+LGDXY+LFGXY.......

本文编号：3894141