基于DCGAN算法的图像生成技术研究

摘要

近年来，深度学习受到了研究者的日益广泛的关注。与传统的机器学习相比，深度学习模型的多层网络结构能够更加有效地表达复杂函数，从而学习到表征能力更强的特征。生成对抗网络（GAN）作为深度学习的一个分支，自其出现之后，就得到了及其广泛的关注。GAN对于生成式模型的发展具有重要的意义。其作为一种生成方式方法能够有效地解决建立自然性解释数据的生成难题，尤其是对于生成高维数据，GAN所采用的神经网络结构不限生成维度，极大的扩展了生成数据样本的范围。除此之外，GAN在自然语言处理领域也具备有效的能力，比如生成对话，由文本生成图像等。这种潜在分别生成无限样本的能力，在AI对图像和视觉计算、语音和语言处理、互联与大型系统信息安全等领域具有重大的应用价值。
　　（1）介绍本文的课题背景和研究意义，阐述了深度学习以及GAN的发展历程和国内外研究现状。并且针对本文所用到的重要知识点：卷积、转置卷积、池化、VGG-19模型、残差网络、GAN模型、长短时间记忆模型等做了详细深入的介绍。本文研究的重点就是将这些现有的方法进行有效的结合，达到有目的的生成图像的作用。
　　（2）生成对抗网络有无限的生成能力，希望这种生成能力可以按照需求有目的的进行。本文基于此，构建了根据语言描述生成图像的模型。模型利用LSTM算法提取语言特征，将生成的特征用以构建图形，利用生成器与判别器的反复对抗训练，提高生成图像质量，并以VGG-19辅助优化LSTM，提高其提取语言模型的效果。综合达到将语言信息转化为图像信息的目的。
　　（3）GAN的生成能力不仅仅体现在从无到有，还体现在由小到大。基于GAN与残差网络的高分辨率图像生成方法，就是以小图像为输入，经过残差网络的多次特征提取，经转置卷积操作扩大生成高清晰大图像。并以生成器与判别器的对抗以及生成图像与真实图像的比较，训练提高生成的高清图像的质量和保证原图像信息的重现。

目录

声明

第1章 绪论

1.1 课题背景及研究意义

1.1.1课题背景

1.1.2研究意义

1.2 国内外研究现状

1.2.1 深度学习研究现状

1.2.2 GAN（生成对抗网络）发展研究现状

1.3 本文主要工作

1.4 本文组织结构

第2章 深度学习及GAN的相关技术

2.1 神经网络的发展历史

2.2本文相关深度学习技术概念介绍

2.2.1卷积运算

2.2.2转置卷积

2.2.3卷积神经网络

2.2.4池化

2.2.5激活函数

2.2.6 GAN相关概念

2.2.7 LSTM

2.2.8残差网络

2.2.9反向传播算法

第3章 基于LSTM及DCGAN将语言描述生成图像

3.1 基于LSTM算法及GAN算法的语言生成图像方法模型

3.2 知识要点介绍

3.2.1独热码（one-hot code）词嵌入（word embedding）

3.2.2 Batch Normalization

3.2.3 Adam更新方法

3.3 实验结果展示与分析

3.3.1 实验结果展示

3.3.2 实验结果分析

第4章 基于DCGAN与残差网络的大图像生成方法

4.1实验模型简介

4.2 多层卷积的作用

4.3 实验结果展示与分析

第5章 总结与展望

5.1 工作总结

5.2 工作展望

参考文献

攻读硕士学位期间发表的学术论文及科研工作

致谢