基于生成对抗神经网络的人脸图像生成技术研究

以下是资料介绍,如需要完整的请充值下载. 本资料已审核过,确保内容和网页里介绍一致.  
无需注册登录,支付后按照提示操作即可获取该资料.
资料介绍:

基于生成对抗神经网络的人脸图像生成技术研究(任务书,开题报告,外文翻译,论文14000字)
摘  要
随着计算机硬件技术的提升和深度学习理论的迅速发展,越来越多的人致力于人工智能的研究,而无监督学习又是其中重要的一环。自从2014年IanGoodfellow提出生成式对抗网络以来,学界涌现出了许多GAN模型的衍生模型,而且它们往往有着不错的效果,到目前为止,GAN已经可以通过学习大量的图片来生成可以控制指定属性的、1024*1024分辨率的高质量人脸图片,这是一个巨大的突破,可以预见的是,未来的一段时间内,GAN仍将是人们关注的重点。
为了生成可以控制指定属性的人脸图像,本文在研究和总结前人工作的基础上,完成如下工作:
1、分析并对比了GAN、DCGAN、PGGAN三种模型的结构,总结了三者各自的优缺点。
2、分别使用DCGAN+AttGAN模型和PGGAN+ACGAN模型生成可控属性的人脸图像并将两种方法进行对比,结果表明后者在celebA数据集上的生成效果比前者要优秀。
3、将上述两种模型训练好后部署到web系统中,使得用户可以通过网页来生成他们想要的人脸图片。
关键词:深度学习;生成对抗网络;人脸生成;属性控制; 
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;

 本文分为五章,具体章节安排如下:
第1章为绪论部分,从研究背景与意义、国内外研究现状、本文研究内容几方面进行了介绍,同时说明了本文的组织结构。
第2章是对GAN结构、优缺点的分析。
第3章是对AttGAN+DCGAN模型和ACGAN+PGGAN模型生成特定属性人脸图片方法的介绍及对比。
第4章是对web原型系统的介绍。
第5章总结了本文的主要内容,提出了研究的不足及下一步工作方向。

目  录
摘  要    I
Abstract    II
第1章 绪论    1
1.1 研究背景与意义    1
1.2 国内外研究现状    1
1.3 本文研究内容    3
1.4 本文组织结构    3
第2章 GAN模型的结构及优缺点    4
2.1 GAN模型的原理    4
2.2 GAN模型的结构    4
2.3 GAN模型的优点与缺点    5
第3章 特定属性人脸图像生成    6
3.1 特定属性人脸图像生成的定义    6
3.2 特定属性人脸图像生成的一般方法    6
3.3 使用AttGAN+DCGAN模型进行特定属性人脸图像生成    6
3.3.1 DCGAN模型的结构和优缺点    6
3.3.2 AttGAN模型的结构    8
3.3.3 使用AttGAN修改DCGAN生成的人脸图像属性    9
3.3.3.1 DCGAN的实现    9
3.3.3.2 AttGAN的实现    9
3.3.3.3 效果展示    10
3.4 使用ACGAN+PGGAN模型进行特定属性人脸图像生成    13
3.4.1 PGGAN模型的结构和优缺点    13
3.4.2 ACGAN模型的结构    15
3.4.3 使用ACGAN对PGGAN生成的人脸图像进行属性控制    16
3.4.3.1 ACGAN的实现    16
3.4.3.2 PGGAN的实现    17
3.4.3.3 效果展示    18
3.5 两种模型的对比总结    21
第4章 web原型系统的开发    22
4.1 总体设计    22
4.1.1 系统功能描述    22
4.1.2 Flask框架介绍    22
4.2 前端设计    23
4.2.1 主页设计    23
4.2.2 生成图像展示模块设计    23
4.2.3 人脸属性选择模块设计    24
4.3 后台设计    25
4.3.1 参数处理    26
4.3.2 模型调用与图像生成    26
4.3.3 效果展示    26
第5章 总结与展望    28
5.1全文总结    28
5.2下一步工作    28
参考文献    29
致  谢    31