1. 毕业设计（论文）的内容和要求

内容：生成式对抗网络是在 2014 年提出的一种生成式模型。

原始 gan 模型由一个生成器和一个判别器构成，生成器通过捕捉真实数据样本的潜在分布来生成新的数据样本；判别器是一个二分类器，判别输入的是真实数据还是生成的样本。

在当前的人工智能热潮下，gan 的提出满足了众多领域的研究和应用需求，同时为这些领域注入了新的发展动力。

2. 参考文献

[1] 冈萨雷斯.数字图像处理(MATLAB版)[M]. 电子工业出版社:冈萨雷斯, 2005. [2] 吕晓琪, 吴凉, 谷宇等. 基于深度卷积神经网络的低剂量CT肺部去噪[J]. 电子与信息学报, 2018, 第40卷(6):1353-1359. [3] Wolterink J M, Leiner T, Viergever M A, et al. Generative adversarial networks for noise reduction in low-dose CT. IEEE Trans Med Imaging, 2017, 36(12): 2536-2545. [4] Yang Qingsong, Yan Pingkun, Zhang Yanbo, et al. Low-dose CT image denoising using a generative adversarial network with wasserstein distance and perceptual loss. IEEE Trans Med Imaging, 2018, 37(6): 1348-1357. [5] Pan Dan; Jia Longfei; Zeng An; Song Xiaowei. [Applications of generative adversarial networks in medical image processing].[J]. Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi, 2018, Vol.35(6):970-976. [6] Yi Xin, Babyn P. Sharpness-aware low-dose CT denoising using conditional generative adversarial network. J Digit Imaging, 2018, 31(5): 655-669. [7] Martin Arjovsky;L#233;on Bottou. Towards Principled Methods for Training Generative Adversarial Networks[J]. Statistics, 2017. [8] 吴从中, 陈曦, 季栋等. 结合深度残差学习和感知损失的图像去噪[J]. 中国图象图形学报, 2018, 第23卷(10):1483-1491. [9] 代晓婷, 龚敬, 聂生东. 基于结构联合字典的肺部LDCT图像降噪[J]. 电子学报, 2018, 第46卷(6):1445-1453. [10] 林凡强, 陈柯成, 陈丹蕾等. 基于生成对抗网络的QR码去模糊算法[J]. 包装工程, 2018, 第39卷(21):222-228. [11] Chen H; Zhang Y; Kalra MK; Lin F; Chen Y; Liao P; Zhou J; Wang G. Low-Dose CT with a Residual Encoder-Decoder Convolutional Neural Network (RED-CNN).[J]. IEEE Transactions On Medical Imaging, 2017. [12] Chenyu You; Qingsong Yang; Hongming Shan; Gjesteby, L.; Guang Li; Shenghong Ju; Zhuiyang Zhang; Zhen Zhao; Yi Zhang; Wenxiang Cong; Ge Wang. Structurally-Sensitive Multi-Scale Deep Neural Network for Low-Dose CT Denoising[J]. IEEE Access, 2018, Vol.6:41839-41855. [13] 李传朋, 秦品乐, 张晋京. 基于深度卷积神经网络的图像去噪研究[J]. 计算机工程, 2017, 第43卷(3):253-260. [14] 高净植, 刘祎, 张权等. 改进深度残差卷积神经网络的LDCT图像估计[J]. 计算机工程与应用, 2018, 第54卷(16):203-210，219. [16] Heinrich Mattias P.; Stille Maik; Buzug Thorsten M. Residual U-Net Convolutional Neural Network Architecture for Low-Dose CT Denoising[J]. Current Directions in Biomedical Engineering, 2018, Vol.4(1):297-300. [17] Dufan Wu; Kyungsang Kim; El Fakhri, G.; Quanzheng Li. A Cascaded Convolutional Neural Network for X-ray Low-dose CT Image Denoising [arXiv][J]. arXiv, 2017, :9. [18] 吕永标, 赵建伟, 曹飞龙. 基于复合卷积神经网络的图像去噪算法*[J]. 模式识别与人工智能, 2017, 第30卷(2):97-105. [19] Xiang Wei; Boqing Gong; Zixia Liu; Wei Lu; Liqiang Wang. Improving the Improved Training of Wasserstein GANs: A Consistency Term and Its Dual Effect[J]. Statistics, 2018, ( ). [20] He Zhang; Sindagi, V.; Patel, V.M.. Image de-raining using a conditional generative adversarial network [arXiv][J]. arXiv, 2017, :13.

3. 毕业设计（论文）进程安排

起讫日期 设计（论文）各阶段工作内容 备 注 2018.12.30 确定题目 2018.12.30-2019.1.14 查阅参考文献，了解课题要求，完成开题报告 完成英文翻译 2019.1.14-2019.3.1 继续查阅文献，按照需求设计算法流程图以及关于算法的初步想法 2019.3.1-2019.4.15 完成算法的雏形 2019.4.15-2019.5.15 完善算法的实现以及其他 2019.5.15-2019.5.19 完成各算法的测试 2019.5.20-2019.5.26 完成去噪算法的调试工作，并着手毕业论文（设计）的撰写工作 2019.5.27-2019.6.9 完成论文的初稿，并通过电子邮件发给指导老师初审 2019.6.10-2019.6.12 按指导老师意见修改论文并定稿打印装订 递交论文和英文翻译 2019.6.13- 准备毕业论文的答辩,包括答辩演示文稿等