论文总字数：41093字

摘 要

生成对抗网络（Generative Adversarial Networks，GAN）是人工智能研究的热门领域之一。虽然生成对抗网络诞生仅仅只有六年，但它的发展情况却远超人们的想象。生成对抗网络的热度仅次于卷积神经网络和循环神经网络。生成对抗网路是一种深度学习模型，是无监督学习领域中最具前景的方法之一。如今，生成对抗网络在很多方面展示出优良的性能，特别在图像处理上。

现存的修复方法只适用于小区域破损的图像，而在修复大面积缺失的图像时经常会变得模糊或缺失重要内容。针对图像大面积缺失的情况，本文利用升沉对抗网络，改进了自编码器的修复方法。本文在实现过程中主要包括如下两方面挑战，一个是如何对非标准图像进行预处理从而构建有效的训练数据集，另一个是如何使用生成对抗网络生成最佳图片，进而对破旧图片进行修复。在图片存在大面积缺失情况下，较传统方法展现出一定优势。

关键词：生成对抗网络 图像修复 TensorFlow

Design and realization of image restoration system based on GAN

Abstract

The generative adversarial networks are one of the hottest research directions in the field of artificial intelligence. Although the generative adversarial networks ware born only six years ago, its development is far beyond people's imagination. The heat of generative adversarial networks is second only to convolution neural network and cyclic neural network. As a deep learning model, generative adversarial network is one of the most promising methods in unsupervised learning. Nowadays, the generative adversarial networks show excellent performance in many aspects, especially in image processing.

The existing repair methods are only suitable for small area damaged images, but often become blurred or missing important content when repairing large area missing images. In view of the large area missing of the image, this paper improves the autoencoder repair method by using the generative adversarial network. This paper mainly includes the following two challenges in the implementation process: one is how to preprocess the non-standard image to build an effective training data set; the other is how to use the generative adversarial network to generate the best image, and then repair the old image. In the case of large area missing of pictures, it shows some advantages over traditional methods.

Key words: Generative Adversarial Networks; Image repair; TensorFlow

目录

摘要 I

Abstract II

第一章 绪论 1

1.1研究的背景及意义 1

1.2研究的现状 3

1.3本文拟研究内容及章节安排 4

第二章 相关理论介绍 5

2.1生成对抗网络 5

2.2卷积神经网络 7

2.3深度卷积生成对抗网络 10

2.4 Wasserstein距离的生成对抗网络 11

2.5本章小结 12

第三章 思路与设计 13

3.1TenasoFlow人工智能框架 13

3.2照片修复算法设计 14

3.2.1生成器和判别器网络 15

3.2.2训练网络搭建 16

3.2.3修复网络改进 17

3.3数据获取与处理 17

3.3.1数据的获取 17

3.3.2数据的处理 18

3.4本章小结 19

第四章 模型搭建与成果分析 20

4.1运行环境选择与搭建 20

4.2数据获取与处理部分 21

4.3网络搭建部分 23

4.3.1生成器和判别器网络 23

4.3.2训练网络 24

4.4训练参数调节 25

4.5修复效果展示与分析 26

4.6本章小结 28

第五章 总结与展望 29

5.1总结 29

5.2展望 30

参考文献 31

致谢 34

附录 35

附录一 图片下载代码 35

附录二 人脸截取代码 38

附录三 图片遮挡代码 40

附录四 生成对抗网络代码 41

附录五 训练网络代码 43

附录六 图像修复代码 47

附录七 图像修复评价代码 49

第一章 绪论

1.1研究的背景及意义

人工智能诞生于20世纪50年代。一般来说，人工智能是一门研究使用计算机模拟人类行为的学科。随着计算机计算能力的提升，在经历过两次低潮后，人工智能再次焕发生机。人工智能是一门各学科互相交叉的学科，主要涉及到神经科学、心理学、数学、控制论等。人工智能有强人工智能和弱人工智能之分。强人工智能是指能够运用逻辑推理解决问题智能机器，能过感知并且具有自我意识。弱人工智能认为那些智能机器只不过是看起来有智能，并不像人类一样拥有智能，自然也不会存在自我意识^[1]。2019年6月，国家人工智能治理专业委员会发布了《新一代人工智能治理原则——发展负责人的人工智能》。为推动人工智能的发展，提出人工智能治理的新框架和行动指南^[2]。人工智能也变得越来越热门，成为科学研究的前沿领域。并且人工智能也产生许多实际而广泛的应用，我们在生活的方方面面都可以发现人工智能的影子。

不久前，AI换脸技术让许多人过了一把明星瘾。大多数人只是感慨AI换脸的神奇之处，然而他们并不了解AI换脸的原理。AI换脸的“Deepfake”技术的原理基于生成对抗网络，而生成对抗网络是神经网络的一种。虽然生成对抗网络仅仅诞生只有六年，但他却呈现指数的增长模式。

请支付后下载全文，论文总字数：41093字