声明
第1章绪 论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 人工智能研究发展现状
1.2.2 词嵌入和句嵌入的发展
1.2.3 文本生成图像研究现状
1.3 研究内容及结构安排
第2章生成对抗网络理论知识
2.1 生成模型和判别模型
2.2 GAN的基本思想与实现模型
2.3 GAN的学习训练机制
2.4 GAN的优势
2.5 GAN的劣势
2.6 GAN模型的改进
2.6.1 条件生成对抗网络
2.6.2 信息最大化生成对抗网络
2.6.3 深度卷积生成对抗网络
2.6.4 Wasserstein 生成对抗网络
2.6.5 改进后的WGAN
2.6.6 辅助分类生成对抗网络
2.7 各类改进GAN模型评价
2.8 GAN的相关应用
2.8.1 图像超分辨率重建
2.8.2 文本生成图片
2.8.3 图像风格迁移
2.8.4 其他领域应用
2.9 本章小结
第3章基于Skip-Thoughts 及DCGAN文本生成图片
3.1引言
3.2 文本数据预处理
3.2.1 Skip-Thoughts模型思想和结构
3.2.2 损失函数
3.2.3 词汇拓展
3.3 实验方案设计
3.3.1 生成器和判别器网络结构设计
3.3.2 匹配判别器机制
3.3.3 损失函数
3.4 实验细节
3.4.1 优化器的选择
3.4.2 实验环境
3.4.3 实验参数设计
3.5 实验结果及分析
3.5.1 评价指标
3.5.2 主观评价
3.5.3 客观评价
3.6本章小结
第4章基于最小二乘生成对抗网络的文本生成图片
4.1 引言
4.2 最小二乘生成对抗网络
4.2.1 交叉熵损失
4.2.2 最小二乘损失
4.3 实验方案设计
4.3.1 网络结构设计
4.3.2 实验模型训练机制
4.3.3 损失函数
4.4.1 实验环境
4.4.2 实验参数设计
4.5.1 训练次数
4.5.2 主观评价
4.5.3 客观评价
4.6 本章小结
第5章基于双判别器生成对抗网络的文本生成图片
5.1 引言
5.2 双判别器生成对抗网络
5.2.1 原理知识
5.2.2 双判别器生成对抗网络结构
5.2.3 损失函数
5.2.4 生成器网络结构
5.2.5 双判别器网络结构
5.3 损失函数
5.4 实验细节
5.4.1 实验环境
5.4.2 实验参数设计
5.5 实验结果及分析
5.5.1 主观评价
5.5.2 客观评价
5.6 本章小结
结 论
参考文献
致 谢
燕山大学;
