自2014年生成對抗網(wǎng)絡(luò)被提出以來,就受到了眾多學(xué)者的高度關(guān)注和廣泛研究。隨著更多深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)和優(yōu)化技術(shù)的提出,生成對抗網(wǎng)絡(luò)在理論和應(yīng)用上也取得了很多的研究成果。盡管如此,生成對抗網(wǎng)絡(luò)模型收斂的條件、如何穩(wěn)定訓(xùn)練和提高生成圖像的質(zhì)量等關(guān)鍵問題仍然是一個(gè)具有挑戰(zhàn)性和開放性的課題;如何更好地將對抗式的訓(xùn)練方法應(yīng)用到像素級圖像處理任務(wù),比如圖像超分辨也是一個(gè)值得深入研究的問題。本文針對生成對抗網(wǎng)絡(luò)訓(xùn)練不穩(wěn)定、梯度消失、模式崩塌以及其在超分辨圖像重建的應(yīng)用等關(guān)鍵問題進(jìn)行了研究。對混合模型和標(biāo)準(zhǔn)模型提出了多種改進(jìn)方案,提高了模型訓(xùn)練的穩(wěn)定性和生成圖像的質(zhì)量;提出了一個(gè)新的單圖像超分辨模型,通過引入自注意力、密集連接和對抗訓(xùn)練的方法提高超分辨圖像的全局一致性和紋理清晰度。本文的主要研究成果概括如下。針對邊界平衡生成對抗網(wǎng)絡(luò)生成圖像多樣性不足、類噪聲區(qū)域多、不平滑等關(guān)鍵問題,提出了一種簡單而有效的方法。該方法為判斷器增加降噪損失,提高判斷器區(qū)分真實(shí)數(shù)據(jù)和生成數(shù)據(jù)的能力,使生成的人臉圖像更加光滑;為網(wǎng)絡(luò)增加批歸一化,使生成的圖像特征更加豐富;同時(shí)評估了不同方法在邊界平衡生成對抗網(wǎng)絡(luò)框架上的效果;并... 

【文章來源】：華南理工大學(xué)廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：131 頁

【學(xué)位級別】：博士

【部分圖文】：

本文的主體研究內(nèi)容本文一共分為六章，主體章節(jié)見圖1-1，除第一章外其余章節(jié)的主要研究內(nèi)容如下

型無法區(qū)分的數(shù)據(jù)；判斷模型（也稱判斷器）用于確定其輸入是來自模型還是來自訓(xùn)練數(shù)據(jù)。假設(shè)把生成器看做是山寨公司，判斷器看做是檢測方，山寨公司生產(chǎn)出質(zhì)量和外感等各方面都達(dá)到真品的高仿真產(chǎn)品，而檢測方則是盡力區(qū)分產(chǎn)品是品牌公司的還是山寨公司的，雙方互相競爭，各自提高自己的技術(shù)能力，直到山寨產(chǎn)品在各方面都能媲美品牌產(chǎn)品且檢測方無法辨認(rèn)為止。GAN 的計(jì)算流程如圖 2-1 所示。GAN 中的生成模型 和判斷模型 可以由任意可微函數(shù)表示，生成模型的輸入為滿足簡單分布的隨機(jī)變量，判斷模型的輸入有兩類：生成數(shù)據(jù)和真實(shí)數(shù)據(jù)。生成模型將隨機(jī)變量變換到真實(shí)數(shù)據(jù)空間，希望生成的數(shù)據(jù)能滿足真實(shí)數(shù)據(jù)分布，判斷器對生成數(shù)據(jù)的輸出為 1（真）；判斷模型則是盡可能的區(qū)分其輸入的真?zhèn)�，也就是說將生成數(shù)據(jù)判斷為 0（偽），真實(shí)數(shù)據(jù)判斷為 1（真）。在這個(gè)相互對抗相互競爭的過程中，生成模型和判斷模型都得到優(yōu)化，各自的性能都得到提高，當(dāng)最終判斷模型無法區(qū)分其數(shù)據(jù)來源時(shí)，優(yōu)化結(jié)束。

華南理工大學(xué)博士學(xué)位論文的參數(shù)為 ，隨機(jī)變量 的概率分布為 ，通過生成器生成的數(shù)據(jù)為 ( )，其概率分布為 ，真實(shí)數(shù)據(jù)為 ，其概率分布為 ， ( ) 表示判斷器對真實(shí)數(shù)據(jù)的輸出， 表示判斷器對生成數(shù)據(jù)的輸出。判斷器通過最大化真實(shí)數(shù)據(jù) 和生成數(shù)據(jù) ( )的正確分類概率來優(yōu)化，而生成器通過最小化生成數(shù)據(jù)為假的概率來優(yōu)化： 和 的優(yōu)化問題是一個(gè)極小-極大問題，其數(shù)學(xué)表達(dá)式如下[10]： ( , ) = ~ + ~ 1 (2-1)

【參考文獻(xiàn)】：
期刊論文
[1]基于生成式對抗網(wǎng)絡(luò)的魯棒人臉表情識別[J]. 姚乃明,郭清沛,喬逢春,陳輝,王宏安.  自動化學(xué)報(bào). 2018(05)
[2]基于生成對抗網(wǎng)絡(luò)的低秩圖像生成方法[J]. 趙樹陽,李建武.  自動化學(xué)報(bào). 2018(05)
[3]生成式對抗網(wǎng)絡(luò)GAN的研究進(jìn)展與展望[J]. 王坤峰,茍超,段艷杰,林懿倫,鄭心湖,王飛躍.  自動化學(xué)報(bào). 2017(03)

博士論文
[1]基于深度學(xué)習(xí)和上下文語義的視覺內(nèi)容識別與分析研究[D]. 歐新宇.華中科技大學(xué) 2017



本文編號：3419070