论文部分内容阅读
近年来,深度学习一直是计算机领域的研究热点,随着研究的不断深入,深度学习目前在理论上达到瓶颈期。数据集的质量和大小对于深度学习模型最终性能的影响至关重要。生成对抗网络GAN是一种新的无监督生成式模型,以其新颖的博弈思想来训练神经网络,自提出后便受到研究人员的广泛关注。GAN中存在一个生成器网络和一个判别器网络,通过生成器和判别器之间不断相互对抗进行学习,直至达到纳什平衡,从而可以从无到有生成图像数据,因此可以依靠GAN强大的生成能力扩充图像数据集。但是在实验中GAN存在训练不稳定、模型难以收敛、训练过程高度自由不可控等问题,使得生成的图像质量效果往往不尽人意。深度卷积生成对抗网络DCGAN是GAN的一种衍生模型,通过引入卷积神经网络对GAN原有的网络结构进行改进,使得网络模型的训练过程更加稳定,成为后续GAN各种变体的标准结构。在实验中,DCGAN生成64×64分辨率的图像样本时会出现一些无意义的图像,或者图像某些特征过于相似、缺乏多样性。DCGAN中是以交叉熵函数作为损失函数,而理论上最小二乘法作为损失函数时,其可以对被判别器判别为真,但距离判别器的决策边界较远的伪造样本进行惩罚,使其逐渐靠近决策边界,在这过程中不断的去拟合真实数据分布,从而提高生成图像的质量。因此本文从损失函数出发,引入最小二乘法作为网络模型的损失函数对DCGAN进行改进,设计了一种基于最小二乘法的深度卷积生成对抗网络—LS-DCGAN。通过对DCGAN和LS-DCGAN的实验结果对比分析,证明了改进的可行性。由于高分辨率的图像拥有更复杂的空间特征,使得生成器难以拟合其数据分布,目前GAN在生成大于64×64的高分辨率图像上效果较差,且易产生棋盘效应。本文在LS-DCGAN的基础上引入残差块适当加深网络深度,有助于提高网络的学习能力,并设计转置卷积核的大小使其可以整除步长,以便减少棋盘效应对生成图像的影响,从而设计了一种基于残差块的深度卷积生成对抗网络—Res-DCGAN。使用LS-DCGAN和Res-DCGAN分别生成128×128以及256×256的高分辨率图像进行对比实验,证明了Res-DCGAN在生成高分辨率图像上更具优势。