1. 毕业设计（论文）的内容和要求

在人工智能迅速发展的今天，生成对抗网络凭借其优良的特性已经成为图像还原修复领域的一大热点技术，其模型由生成器、判别器组成，生成器主要对数据源中的图像数据进行处理，而判别器则对其效果进行评判，在不断博弈迭代的过程中，使得图片的还原修复不断完善。

生成器 g 的功能是已知图像中被遮挡的部分，根据图像中未被遮挡的部分预测被遮挡的部分从而进行填补。

判别器 d 的功能是检验生成器生成图像，判断生成的图像是否接近真实图像。

2. 参考文献

[1] 刘波宁 , 翟东海 . 基于双鉴别网络的生成对抗网络图像修复方 法 [J]. 计算机应用 ,2018(8):9-10. [2] 曹志义 , 牛少彰 , 张继威 . 基于生成对抗网络的遮挡图像修复算 法 [J]. 北京邮电大学学报 ,2018(7):17-19. [3] 桑亮 , 高爽 , 尹增山 . 基于生成对抗网络的运动模糊图像复原 [J]. 计算机工程与应用 ,2018(6):66-69. [4] 林懿伦 , 戴星原 , 李力晓等 . 人工智能研究的新前线 : 生成式对 抗网络 [J]. 自动化学报 ,2018,44(5):55-56. [5] 李炬 . 基于生成对抗网络的人脸灰度图上色 [J]. 电脑知识与技 术 ,2018(4):22-23. [6] 唐贤伦 , 杜一铭 , 刘雨微等 . 基于条件深度卷积生成对抗网络的 图像识别方法 [J]. 自动化学报 ,2018(3):36-39. [7] 王坤峰 , 苟超 , 段艳杰等 . 生成式对抗网络 GAN 的研究进展与 展望 [J]. 自动化学报 ,2017,43(3):321-332. [8] Zhou F, Yang W, Liao Q. Interpolation-based image super-resolution using multisurface fitting[J]. IEEE Transactions on Image Processing,2012, 21(7):3312-3318. [9] 曾凯，丁世飞． 图像超分辨率重建的研究进展[J]．计算机工程与应用，2017，53（16）：29-35． [10] 胡长胜， 詹曙， 吴从中． 基于深度特征学习的图像超分辨率重建[J]． 自动化学报， 2017， 43（5）：814-821． [11] Dong C, Loy C C, He K, et al. Image super-resolution using deep convolutional networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2016, 38(2): 295-307. [12] Kim J, Lee J K, Lee K M. Deeply-recursive convolutional network for image super-resolution[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas. IEEE, 2016: 1637-1645. [13] Kim J, Lee J K, Lee K M. Accurate image super-resolution using very deep convolutional networks[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas. IEEE, 2016: 1646-1654. [14] Tai Y, Yang J, Liu X. Image super-resolution via deep recursive residual network[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Hawaii. IEEE, 2017:2790-2798. [15] Lai W S, Huang J B, Ahuja N, et al. Deep Laplacian pyramid networks for fast and accurate super-resolution[C]//IEEE Conference on Computer Vision and Pattern Recognition, Hawaii. IEEE, 2017:5835-5843. [16] Ledig C, Theis L, Husz#225;r F, et al. Photo-realistic single image super-resolution using a generative adversarial network[C]//IEEE Conference on Computer Vision and Pattern Recognition, Hawaii. IEEE, 2017: 105-114. [17] Goodfellow I, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[C]//Advances in Neural Information Processing Systems. Cambridge: MIT Press,2014: 2672-2680.

3. 毕业设计（论文）进程安排

2019年1月15-2019年1月20 查找相关资料文献，做好毕业设计所需相关软件的准备工作，编写任务书 2019年2月-2019年3月 学习文献，充分理解相关技术内容 2019年2月20-2019年3月10 确定具体研究内容，开始着手制作GAN模型，编写开题报告 2019年3月-- 完成基于GAN图像修复方面具体应用的设计 2019年4月-- 完成所有程序的设计