基于生成对抗网络的语意图像修复任务书

 2021-09-23 12:09

1. 毕业设计(论文)主要内容:

图像修复是对图像中被遮挡或需要删除的物体区域,进行自然、满足视觉一致性的图像数据填充。 生成式对抗网络(GAN, Generative Adversarial Networks )是一种深度学习模型,是近年来复杂分布上无监督学习最具前景的方法之一。GAN的思想是一种二人零和博弈思想(two-player game),生成网络希望生成的数据可以骗过判别网络,判别网络通过比较生成数据与实际数据的差异来进行优化。

本文希望在学习和掌握GAN的原理的基础上,实现一个GAN网络,通过对图像数据的训练,生成待修复区域的图像,并在公开数据集上进行测试效果,实现对任意指定图像区域的修复。希望对深度学习、生成对抗网络和图像处理有兴趣的同学选题。

2. 毕业设计(论文)主要任务及要求

1、查阅不少于15篇的相关资料,其中英文文献不少于3篇,完成开题报告。2、完成不少于5000字的英文文献翻译工作。3、收集相关的原始数据,并进行数据的预处理工作。4、完成毕业设计(论文)阶段性报告,完成任务书和中期情况检查表等任务。5、完成不少于12000字的研究论文。

3. 毕业设计(论文)完成任务的计划与安排

1-3周:查阅文献,完成开题报告4-6周:总体设计,完成论文综述7-10周:设计算法,功能模块设计11-13周:编码和测试14-15周:写论文,提交初稿,给老师检查,修改定稿,答辩。

4. 主要参考文献

1.Goodfellow Ian, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[C]//Advances in Neural Information Processing Systems. 2014: 2672-2680.2.Denton E L, Chintala S, Fergus R. Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks[C]//Advances in neural information processing systems. 2015: 1486-1494.

3.Radford A, Metz L, Chintala S. Unsupervised representation learning with deep convolutional generative adversarial networks[J]. arXiv preprint arXiv:1511.06434, 2015.

4.RAYMOND A, CHEN CH, LIM T Y,et.al. Semantic image inpainting withdeep generative models[C]. CVPR 2017, Honolulu, Hawaii, 5485-5493.

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

以上是毕业论文任务书,课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。