基于生成對抗神經網絡的人臉圖像生成技術研究

以下是資料介紹,如需要完整的請充值下載. 本資料已審核過,確保內容和網頁里介紹一致.  
無需注冊登錄,支付后按照提示操作即可獲取該資料.
資料介紹:

基于生成對抗神經網絡的人臉圖像生成技術研究(任務書,開題報告,外文翻譯,論文14000字)
摘  要
隨著計算機硬件技術的提升和深度學習理論的迅速發展,越來越多的人致力于人工智能的研究,而無監督學習又是其中重要的一環。自從2014年IanGoodfellow提出生成式對抗網絡以來,學界涌現出了許多GAN模型的衍生模型,而且它們往往有著不錯的效果,到目前為止,GAN已經可以通過學習大量的圖片來生成可以控制指定屬性的、1024*1024分辨率的高質量人臉圖片,這是一個巨大的突破,可以預見的是,未來的一段時間內,GAN仍將是人們關注的重點。
為了生成可以控制指定屬性的人臉圖像,本文在研究和總結前人工作的基礎上,完成如下工作:
1、分析并對比了GAN、DCGAN、PGGAN三種模型的結構,總結了三者各自的優缺點。
2、分別使用DCGAN+AttGAN模型和PGGAN+ACGAN模型生成可控屬性的人臉圖像并將兩種方法進行對比,結果表明后者在celebA數據集上的生成效果比前者要優秀。
3、將上述兩種模型訓練好后部署到web系統中,使得用戶可以通過網頁來生成他們想要的人臉圖片。
關鍵詞:深度學習;生成對抗網絡;人臉生成;屬性控制; 
Abstract
With the improvement of computer hardware technology and the rapid development of deep learning theory, increasingly, people are devoted to the research of artificial intelligence, and unsupervised learning is an important part. Since Goodfellow proposed a generativeadversarialnetwork in 2014, many derivative models of GAN have emerged in the academic world, and they often have good effects.So far, GAN has been able to generate high-quality face images of 1024*1024 resolution that can control specified attributes by learning a large number of pictures.This is a huge breakthrough.Andit is foreseeable that GAN will remain the focus of attention for some time to come.
In order to generate a face image that can control the specified attribute, this paper does the following work on the basis of researching and summarizing the previous work:
1. Analyze and compare the structure of thethree models of GAN, DCGAN and PGGAN, and summarize the advantages and disadvantages of them.
2.Use DCGAN+AttGAN model and PGGAN+ACGAN model to generate the face images  with controllable properties and compare the two methods, the results show that the latter methodis better than the former methodin the celebA dataset.
3.Train the above two models and deploy them to the web system so that users can generate the face images they want through the web page.
Keywords: deep learning; generativeadversarialnetwork; face generation; attribute control;

 本文分為五章,具體章節安排如下:
第1章為緒論部分,從研究背景與意義、國內外研究現狀、本文研究內容幾方面進行了介紹,同時說明了本文的組織結構。
第2章是對GAN結構、優缺點的分析。
第3章是對AttGAN+DCGAN模型和ACGAN+PGGAN模型生成特定屬性人臉圖片方法的介紹及對比。
第4章是對web原型系統的介紹。
第5章總結了本文的主要內容,提出了研究的不足及下一步工作方向。

目  錄
摘  要    I
Abstract    II
第1章 緒論    1
1.1 研究背景與意義    1
1.2 國內外研究現狀    1
1.3 本文研究內容    3
1.4 本文組織結構    3
第2章 GAN模型的結構及優缺點    4
2.1 GAN模型的原理    4
2.2 GAN模型的結構    4
2.3 GAN模型的優點與缺點    5
第3章 特定屬性人臉圖像生成    6
3.1 特定屬性人臉圖像生成的定義    6
3.2 特定屬性人臉圖像生成的一般方法    6
3.3 使用AttGAN+DCGAN模型進行特定屬性人臉圖像生成    6
3.3.1 DCGAN模型的結構和優缺點    6
3.3.2 AttGAN模型的結構    8
3.3.3 使用AttGAN修改DCGAN生成的人臉圖像屬性    9
3.3.3.1 DCGAN的實現    9
3.3.3.2 AttGAN的實現    9
3.3.3.3 效果展示    10
3.4 使用ACGAN+PGGAN模型進行特定屬性人臉圖像生成    13
3.4.1 PGGAN模型的結構和優缺點    13
3.4.2 ACGAN模型的結構    15
3.4.3 使用ACGAN對PGGAN生成的人臉圖像進行屬性控制    16
3.4.3.1 ACGAN的實現    16
3.4.3.2 PGGAN的實現    17
3.4.3.3 效果展示    18
3.5 兩種模型的對比總結    21
第4章 web原型系統的開發    22
4.1 總體設計    22
4.1.1 系統功能描述    22
4.1.2 Flask框架介紹    22
4.2 前端設計    23
4.2.1 主頁設計    23
4.2.2 生成圖像展示模塊設計    23
4.2.3 人臉屬性選擇模塊設計    24
4.3 后臺設計    25
4.3.1 參數處理    26
4.3.2 模型調用與圖像生成    26
4.3.3 效果展示    26
第5章 總結與展望    28
5.1全文總結    28
5.2下一步工作    28
參考文獻    29
致  謝    31

302宿舍白露全文阅读