导读:本文包含了图像生成技术论文开题报告文献综述及选题提纲参考文献，主要关键词:生成式对抗网络,医学图像合成,医学图像转换,深度学习
图像生成技术论文文献综述
张杰,赵惠军,李贤威,王亚林,张梦圆[1]（2019）在《基于生成式对抗网络技术合成医学图像的研究进展与展望》一文中研究指出介绍了生成式对抗网络(generative adversarial networks,GAN)的基本架构及其在几个方面的改进,在同模态医学图像的合成、不同模态医学图像的转换、医学图像的降噪与超分辨力、医学图像的重建以及叁维医学图像处理5个方面分析了基于GAN的医学图像合成研究进展。指出了在不同模态的图像重构过程中引入GAN,提高图像质量和重构效率;通过GAN处理医学图像,运用获取的丰富信息实现对临床诊疗的直接支持,是下一步的重点研究方向。(本文来源于《医疗卫生装备》期刊2019年10期）
林雨欣[2]（2019）在《基于图像识别与生成技术的人工智能应用》一文中研究指出图像识别技术是现阶段较为常见的一种技术,被广泛的应用于计算机对物理信息进行识别,充分发挥出其自身的技术优势,为人们提供优质的服务,满足现阶段的需求。本文从图像识别与人工智能概念入手,深入进行分析,明确当前图像识别技术的常见形式,并探索其技术在人工智能领域中的应用,以供参考。(本文来源于《电子元器件与信息技术》期刊2019年09期）
周琳娜,吕欣一[3]（2019）在《基于GAN图像生成的信息隐藏技术综述》一文中研究指出传统的隐写方式面临的威胁越来越大,隐写分析技术也逐渐成熟,针对这一问题,将生成式对抗网络引入隐写术中,可以减少载体修改痕迹,提高隐写的隐蔽性.介绍了生成式对抗网络的基本结构,总结了基于GAN图像生成的隐写技术的研究成果,并进行比较和分类.根据已有的技术手段提出了当前生成式对抗网络在隐写技术发展中的不足,对未来的研究方向进行了展望.(本文来源于《信息安全研究》期刊2019年09期）
李军伟[4]（2019）在《智能图像处理技术在自动生成人像素描绘画中的应用研究》一文中研究指出以往利用计算机自动生成的人像素描绘画效果较差,辨识度较低。针对上述问题,将智能图像处理技术应用到人像素描自动生成当中,并对其应用效果进行研究。应用过程包括人像灰度化、人像增强、人像边缘提取、人像分割、模拟素描纹理等五步骤。应用效果显示:有智能图像处理技术应用的人像素描绘画自动生成效果要优于以往没有智能图像处理技术应用的自动绘画效果,人像更为清晰,辨识度提高7.3%。(本文来源于《自动化与仪器仪表》期刊2019年07期）
米野[5]（2019）在《基于生成对抗网络的雷达图像增强技术研究》一文中研究指出人体动作分类是计算机视觉领域的研究热点,近年来得到了学术界和工程界的广泛重视。随着深度学习的不断发展,利用深度学习模型对人体动作进行分类的效果越来越好。然而,目前的人体动作分类都是基于自然图像的,很容易受到光照和空气扰动等因素的影响,导致分类效果的下降。利用微多普勒雷达图像对人体动作进行分类可以有效地减少外界因素的影响,提高模型的准确率和鲁棒性。但是由于微多普勒雷达图像采集成本过高,导致数据集样本过少,这极大地限制了深度学习在微多普勒雷达图像上的应用。论文针对此问题,提出从数量和质量两个方面对微多普勒雷达图像进行数据增强。1.利用生成对抗网络生成图像。从图像的数量方面入手,本文利用深度卷积生成对抗网络学习微多普勒雷达图像的分布,并根据学习到的分布生成新的图像,将生成的图像与原训练集混合当作新的训练集去训练分类模型。然后利用加入生成图像后的训练集训练分类模型,用测试集去进行测试,将测试结果与原始训练集训练的模型作对比。实验结果证明,向训练集中加入利用深度卷积生成对抗网络生成的图像后,训练出来的模型的测试准确率由92.3%上升到了96.1%。2.利用精炼模型精炼图像。从生成图像的质量方面入手。为了提高生成图像的质量,论文提出利用精炼网络(SimGAN)去精炼生成的图像,使生成图像的分布更加接近于原始图像的分布。然后向原始训练集中加入精炼后的生成图像来训练分类模型,并用相同的测试集进行测试,对比测试的结果。实验结果证明,将训练集中的生成图像用精炼网络进行精炼后,训练出来的分类模型的测试准确率由96.1%上升到了97.5%。(本文来源于《北京邮电大学》期刊2019-06-02）
孙延君[6]（2019）在《计算机生成图像和翻拍图像取证关键技术研究》一文中研究指出当今网络飞速发展,在如此庞大的数字网络中,不可避免会涉及图像的传输,这些以数字化形式存在于网络上的文字及图像可以轻易的被复制、修改和添加,并被不法人员所利用进行恶意破坏。虽然可以从技术上判断图像是否被修改,但是随着计算机和智能手机的飞速发展,产生了新的图像攻击方式,即计算机生成图像和翻拍图像攻击。高质量的篡改图像已经给我们带来了巨大威胁,2007年发生在中国陕西的华南虎事件所造成的影响已经敲响了警钟,即使真正由数码设备获取的图像也不一定是真实的。因此,在网络信息安全中,对真实图像和篡改图像的鉴别取证就具有非常重要的意义。本文主要工作:1.总结图像的成像原理,提出真实图像和计算机生成图像、翻拍图像的成像原理差异,提出真实图像和翻拍图像成像差异的数学模型;提出真实图像和翻拍图像的高频信息和低频信息在频率域上的差异。2.提出基于亚像素理论和LTP算法的计算机生成图像取证算法。利用真实图像和计算机生成图像在纹理上的差异,本文提出亚像素原理和Hough直线检测算法,提取图像边缘直线信息,并计算差分亚像素特征、梯度方向亚像素特征以及梯度方差亚像素特征。本文中亚像素特征主要针对图像的边缘信息进行检测,并将该特征作为最后分类使用的特征向量;同时,利用纹理特征对图像进行整体分析,保证不丢失图像的低频信息。本文将亚像素特征和纹理特征作为最后分类的特征向量进行分类,实验表明本文算法对计算生成图像具有较好鉴别率。3.提出基于局部平面线性点的翻拍图像鉴别算法。提出图像成像过程的数学模型,从模型中总结出图像中某些点在真实场景的局部范围内呈线性平面分布的特点,文中将该点称作局部平面线性点。算法首先定义局部平面线性点的概念,然后给出局部线性平面点的性质,并从图像中提取出局部平面线性点;其次利用局部平面线性点在真实图像和翻拍图像中的差异提取特征值;最后通过支持向量机分类器分类。结果及分析表明,本文算法对翻拍图像具有较好的鉴别率,并且特征向量的维数也低于其它鉴别算法。4.提出基于共生矩阵的翻拍图像检测算法。算法根据真实图像和翻拍图像在图像纹理上的差异,提出首先采用小波变换分离图像的低频信息和高频信息,其次分别计算低频图像和高频图像的水平、垂直和对角线的共生矩阵,然后提取共生矩阵的对比度特征、能量特征、熵特征以及相关性特征作为特征向量,与同类算法比较,本文算法对无背景的翻拍图像具有极好的鉴别率。5.提出基于图像纹理特征的翻拍图像鉴别算法。算法利用图像在成像过程中所产生的差异,提出基于光源色度、图像噪声和方向可控金字塔的翻拍图像鉴别算法。算法针对图像高频和低频之间的差异利用方向可控金字塔特征提取低频图像、高频图像和方向特征进行分析;针对噪声差异本文利用高斯滤波算法去噪,提取图像噪声特征进行分析;针对真实图像和翻拍图像在光源信息存在差异,提取光源色度特征。结果表明,本文算法对带背景信息和无背景信息的翻拍图像都具有良好的鉴别率。(本文来源于《吉林大学》期刊2019-06-01）
宋萱萌[7]（2019）在《基于Vega的红外图像仿真及生成技术研究》一文中研究指出在视景仿真领域,通过计算机实现红外场景的模拟生成技术是其中一个非常重要的课题研究方向,该技术被广泛地运用于军事国防、航空科技以及民用目标追踪等各个方面,具有极强的现实意义。本文选取飞行器作为红外仿真的研究目标,通过数字仿真技术实现红外图像的模拟生成。先采用放样技术以及纹理映射技术通过叁维建模软件Creator建立飞行目标的叁维几何模型。对于目标的红外模拟仿真,使用TMM纹理映射工具并结合图像处理技术,完成了目标的自发辐射效果仿真。接着采用MAT大气生成工具建立了大气辐射模型,然后通过Vega的Sensor底层辐射映射算法得到以灰度形式分布的红外目标仿真图像。对于背景的红外图像仿真,基于感兴趣区域分割法将赋完可见光纹理的背景图像裁剪分割,将分割好的图片添加具有热辐射性质的相关材质,随后利用Vega的红外仿真模块根据辐射亮度和灰度值之间的映射关系赋予背景图像对应的灰度信息,得到相应的红外背景图像。最后将得到的目标红外仿真图像和背景红外仿真图像采用OpenGL和Vega混合编程来实现两者的合成。通过Vega软件的API函数接口在VC++6.0平台上实现了基于MFC的仿真程序的二次开发,构建了一个便于用户交互的红外视景仿真软件平台。该软件设置了目标、背景及红外探测器等多项参数设计模块,不仅可以多方位地展示目标的飞行视角,还可以实现红外目标的定位、追踪以及实时保存红外图像等多种功能。文末采用一维、二维直方图分析法以及综合评估指标将仿真的红外图像与真实的红外图像对比,评估仿真图像的逼真度。(本文来源于《长春理工大学》期刊2019-06-01）
莫凌波[8]（2019）在《基于图像的文本自动生成关键技术研究》一文中研究指出近年来,人工智能迅猛发展,计算机视觉与自然语言处理的交叉领域的研究逐渐吸引科研工作者的兴趣。大多数现有工作聚焦图像字幕任务,旨在根据单张图像生成单个句子描述。然而,本文将输入和输出的维度进行扩展,基于图像序列来生成段落描述,简称视觉叙事任务。相比图像字幕任务,视觉叙事对图文交叉领域提出更高挑战,它不仅要求对图像序列中的每张图片进行理解以及图片之间的上下文关系,同时要求生成语义连贯的自然语言段落。首先,本文对基于深度学习的视觉叙事算法进行研究。针对当下视觉叙事任务在图像流建模及文本生成方面的不足之处,构造首个该任务的中文数据集,并提出一种基于多模态空间映射的检索式模型架构RST-Att。一方面,该模型搭建双向长短期记忆网络,引入注意力机制,提高不同场景下的图像流的建模能力;另一方面,模型融合语言学中的修辞分析理论特征来改善生成文本的连贯性问题。在实验部分,本文采用了中文和英文两个数据集,结果表明RST-Att相比基线模型取得了更好的表现。进一步,基于相同的任务,不同于检索式方法,本文进一步探索生成式方法并提出一种对抗性神经网络学习模型AAL。AAL在生成模型的基础上,构造奖励模型代替最大似然估计的学习原则,生成奖励值以优化模型。另外本文提出了一种全新的文本生成粒度,即在意群的层面在进行段落生成,以提高描述的连贯性。在实验部分,通过设计对比实验,在自动化评价指标及人工评测上均取得了比基线模型更好的效果。最终,本文利用上述提出的视觉叙事算法,综合开发了一款游记生成系统,根据用户上传的旅行照片流自动生成相关的游记。该系统主要包括数据采集模块、游记生成模块以及后台管理与前端展示模块。(本文来源于《北京邮电大学》期刊2019-05-31）
杜瞻[9]（2019）在《基于生成对抗网络的人脸图像超分辨率重建技术研究》一文中研究指出人脸超分辨重建技术(Face Super-Resolution,Face SR)是指利用低分辨人脸图像和人脸固有的属性重建高分辨人脸图像的技术。作为人脸图像处理技术和图像超分辨重建(Super-Resolution,SR)技术的重要组成部分,Face SR—直是图像视觉领域的研究热点。在实际场景中,由于光照、面部表情、拍摄环境等因素的影响,人脸图像高频信息损失严重,人脸细部特征重建一直是Face SR研究中的难点问题。近年来,基于学习的Face SR方法可以有效地利用先验信息,在提高人脸图像的重建质量方面取得了重要进展,引起了学者的广泛关注;新的生成对抗式网络(Generative Adversarial Network,GAN)的出现,也给 Face SR 提供了有效的技术手段,使得相关Face SR方法能够在信息严重缺失的条件下重建自然、高质量的人脸图像。在此背景下,本文在GAN网络基础上,研究了基于深度学习方法的Face SR技术,具体工作如下:(1)针对人脸先验信息的有效表达问题,提出了一种基于深度网络的人脸组件语义先验的表达方法。该方法利用语义分割概率图(Semantic Segmentation Probability,SSP)的技术,定义了 Face SR中人脸图像区域组件的概率属性及先验信息的表达方法,进而利用所定义的面部组件属性和语义先验方法中包含的组件纹理和边缘信息,有针对性的重建人脸图像的纹理和边缘,恢复细粒度、高质量的高清人脸图像。实验证明,该表达方法在现有主流的评价方法和图像的视觉效果都超过其他先验表达方法。(2)在语义先验基础上,提出了一种基于GAN的高性能Face SR方法(CSP-GAN)。该方法设计了一种新的面向Face SR的GAN网络架构,使得生成网络和判别网络能够充分利用之前定义的人脸语义先验信息。在生成网络中,设计了自定义的语义组件先验层(Component Semantic Prior,CSP),通过仿射变换技术有效地结合了包含纹理细节和形状的人脸先验信息,这种组件语义信息和图像特征的前馈调制方法,改进了生成网络的训练方式,提高了重建性能;在判别网络中,设计了一种语义判别模块,分别判断图像的语义类别和属性,进而通过组件语义先验的反馈,生成高质量的人脸组件形状和细粒度的组件纹理。实验证明,本文提出的CSP-GAN能够有效地利用先验中的人脸信息重建高质量的高清人脸图像。综上所述,本文提出的基于GAN的Face SR能够有效利用训练数据中提取的语义先验信息,实现了细粒度的高清人脸图像重建,具有良好的应用前景。(本文来源于《北京交通大学》期刊2019-05-29）
陈鑫晶[10]（2019）在《基于生成对抗网络的文本生成图像技术研究》一文中研究指出在大数据时代,人们获取图像信息的方式主要是在已有的图像中进行搜索,但是由于图像内容的复杂性,很难找到真正需要的信息。为了让计算机根据需求自动生成有意义的图像,文本生成图像任务引起了人们的关注。文本生成图像是一个跨模态的交叉性任务,将一句描述或一段文本作为输入,输出符合文本语义信息的图像。此项任务不仅需要计算机理解文本的语义信息,还要将语义信息转化为像素,是一个极具挑战性的工作。但是,随着深度学习的快速发展,尤其是生成对抗网络的诞生,出现了很多方法对文本生成图像的效果进行不断地改善。但是由于该任务的复杂性,生成图像的质量还有很大的提升空间。本文为了进一步提高文本生成图像的质量做了以下工作:(1)结合类别与重构信息的文本生成图像模型。在文本生成图像任务中,为了进一步提高文本生成图像的质量,本文提出了结合类别与重构信息的生成对抗网络模型。该模型分两个阶段进行训练,第一个阶段生成低像素的图像,第二个阶段生成高像素的图像。在每个阶段的文本生成图像中,在判别器末尾加入类别信息,并在生成器的损失中加入像素和特征的重构信息来辅助训练。通过在Oxford Flowers、Caltech UCSD Birds和MS COCO数据集上进行实验,结果表明本文提出的模型有效地提高了文本生成图像的质量,生成图像的颜色和细节都更加细腻。(2)结合视觉对话的复杂场景文本生成图像模型。在复杂场景文本生成图像任务中,单纯的文本描述不能包含图像的大部分细节信息,很难生成高质量的图像,因此本文结合视觉对话提出了一种改进的模型来提高复杂场景的文本生成图像效果。为了更好地关注到视觉对话与相应图像局部区域之间的相关性,构建了基于注意力的视觉语义嵌入模型,得到视觉对话的特征表示。然后,将此特征与经过描述编码器得到的文本描述特征进行拼接,通过结合视觉语义嵌入与类别重构的生成对抗网络生成与文本相对应的图像。在MS COCO数据集上进行实验,实验结果表明加入视觉对话后生成的图像更加清晰,颜色以及细节也更加丰富,有效地提高了文本生成图像的质量。(本文来源于《华侨大学》期刊2019-05-23）
图像生成技术论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
图像识别技术是现阶段较为常见的一种技术,被广泛的应用于计算机对物理信息进行识别,充分发挥出其自身的技术优势,为人们提供优质的服务,满足现阶段的需求。本文从图像识别与人工智能概念入手,深入进行分析,明确当前图像识别技术的常见形式,并探索其技术在人工智能领域中的应用,以供参考。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
图像生成技术论文参考文献
[1].张杰,赵惠军,李贤威,王亚林,张梦圆.基于生成式对抗网络技术合成医学图像的研究进展与展望[J].医疗卫生装备.2019
[2].林雨欣.基于图像识别与生成技术的人工智能应用[J].电子元器件与信息技术.2019
[3].周琳娜,吕欣一.基于GAN图像生成的信息隐藏技术综述[J].信息安全研究.2019
[4].李军伟.智能图像处理技术在自动生成人像素描绘画中的应用研究[J].自动化与仪器仪表.2019
[5].米野.基于生成对抗网络的雷达图像增强技术研究[D].北京邮电大学.2019
[6].孙延君.计算机生成图像和翻拍图像取证关键技术研究[D].吉林大学.2019
[7].宋萱萌.基于Vega的红外图像仿真及生成技术研究[D].长春理工大学.2019
[8].莫凌波.基于图像的文本自动生成关键技术研究[D].北京邮电大学.2019
[9].杜瞻.基于生成对抗网络的人脸图像超分辨率重建技术研究[D].北京交通大学.2019
[10].陈鑫晶.基于生成对抗网络的文本生成图像技术研究[D].华侨大学.2019