论文部分内容阅读
深度学习相关的技术在人工智能领域以及计算机科学的发展过程中有着十分重要的作用。近年来，深度学习中的生成对抗网络由于其广泛的应用，一直备受研究者关注。其中，利用生成对抗网络生成和训练样本有相同分布的数据是无监督学习中非常基础的任务。传统生成模型一般要定义一个概率分布的参数化表达式，并且利用最大化似然函数来训练生成模型，例如限制玻尔兹曼机。这些生成模型梯度的展开式中一般有期望这一项，从而很难求得一个准确的解，因此只能用它的近似解，比如在限制玻尔兹曼机中，用马尔科夫链的收敛性质，就可以产生满足给定特殊分布下的样本。然而生成对抗网络模型的一个很大的优点是不用直接求出原始数据的似然函数，便能够产生和原始数据一模一样分布的数据样本。目前大多数生成对抗网络只能生成分辨率比较低的图像（64*64像素），这很大程度上限制生成对抗网络的应用，比如利用生成对抗网络生成迁移风格图片时需要将实际高分辨将图片缩放到64*64，这样就会造成失真。本文主要探究了如何用生成对抗网络生成高分辨率的图像这一关键问题，提出了一种新的基于生成对抗网络的高分辨率的图像生成算法。本论文主要有如下贡献: 1.本文分析现有生成对抗网络模型在生成图片时的不足之处，即很难生成较高分辨率的图像。针对这一问题，本文通过改进生成对抗网络模型，提出了一种全新的基于生成对抗网络的能够生成高质量高分辨率图像的算法。这为生成对抗网络在实际高分辨率的图像中的应用提供了研究基础。 2.本文创新地将多任务学习和生成对抗网络训练结合起来，在生成模型中额外添加一个高级特征来表述生成数据与原始的训练数据分布的相似性。此外，在生成模型的多个不同深度的中间层特征后添加损失函数，并且同时优化多个损失函数。该方法有效提高生成图像的质量。 3.本文分别在CelebA人脸数图像据集、LSUN bedroom数据集、LSUN kitchen数据集上验证了改进后的生成对抗网络模型算法的有效性和可行性。本文提出的算法可以生成高质量的256*256分辨率的图像，同时由于结合了多任务学习，生成图像质量比目前典型的深度卷积神经网络要好很多。