基于对抗学习的图像转换算法研究

发布时间：2024-04-20 23:21

　　图像转换是图像生成领域中一个热们的研究方向,在现实世界中有很多实际的应用,它通过改变其原图特征转化为不同的图像,例如图像风格转换、图像修复、图像上色、图像的超分辨等。随着近些年生成对抗网络的快速发展,其在图像生成领域具有强大的表现力,因此将生成对抗网络应用到图像转换领域已经成为一种趋势。经过了前人不断地研究,图像转换的质量已经有较为明显的提升,但是面对一些复杂的图像时,转换后的真实性、清晰程度、多样性以及转换程度等方面的表现还有提升的空间,对图像转换后图像的效果也是一个巨大的挑战。本文针对转换后的图像在局部不清晰、转换效果不明显等问题,设计了新的图像转换的网络架构,通过改进生成对抗网络的生成器和判别器从而提升清晰度和转换的效果。首先,本文介绍了生成对抗网络和图像转换的研究意义和研究背景,梳理了国内外的对于生成对抗网络和图像转换领域的研究状况,将其中有研究价值的部分进行了挖掘和改进。对生成对抗网络和图像转换方法进行了总结,归纳了近年来生成对抗网络的发展和图像转换领域的相关网络模型,并且总结了现有模型的优缺点。其次,在现有图像转换模型上对生成器和判别器进行改进,提出了一种新的基于对抗网络的...

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文主要工作
    1.4 论文组织结构
2 生成对抗网络概述
    2.1 生成对抗网络原理
    2.2 GAN的优缺点
        2.2.1 GAN的优点
        2.2.2 GAN的缺点
    2.3 GAN理论改进
        2.3.1 Wasserstein GAN
        2.3.2 Least Squares GAN
        2.3.3 Relativistic GAN
    2.4 GAN模型架构改进
        2.4.1 CGAN
        2.4.2 DCGAN
        2.4.3 AAE
        2.4.4 CoGAN
    2.5 生成对抗网络的应用
        2.5.1 文字到图像的转换
        2.5.2 图像超分辨率
    2.6 本章小结
3 图像转换概述
    3.1 有监督的图像转换
        3.1.1 Pix2pix
        3.1.2 Pix2pix HD
    3.2 无监督的图像转换
        3.2.1 Cycle GAN
        3.2.2 DTN
    3.3 多模态的图像转换
        3.3.1 Bicycle GAN
        3.3.2 MUIT
    3.4 本章小结
4 基于变分生成对抗网络的图像转换
    4.1 变分自编码器
    4.2 感受野
    4.3 ITVGAN的网络架构
        4.3.1 编码器结构
        4.3.2 判别器结构
    4.4 损失函数
    4.5 实验
        4.5.1 实验设置
        4.5.2 数据集及实验结果
        4.5.3 定量分析
    4.6 本章小节
5 基于非对称卷积块和多尺度融合判别的图像转换
    5.1 非对称卷积块
    5.2 多尺度判别器
    5.3 网络结构
        5.3.1 生成器结构
        5.3.2 判别器结构
    5.4 损失函数
    5.5 实验
        5.5.1 实验设置
        5.5.2 数据集及实验结果
        5.5.3 定量分析
    5.6 本章小结
6 总结与展望
    6.1 本文的工作总结
    6.2 未来的工作展望
参考文献
附录1 实验对比图像
攻读学位期间取得的研究成果
致谢



本文编号：3960080