生成对抗网络：原理及图像处理应用

封面

版权信息

内容简介

前言

第1章 绪论

1.1 从图像处理到数字视觉

1.2 神经网络由浅入深

1.3 从概率生成到对抗生成

1.4 GAN的应用

第2章 数字图像处理

2.1 数字图像基础

2.2 传统数字图像处理

2.3 ANN图像处理

2.4 常用的图像数据集

第3章 人工神经网络

3.1 ANN简介

3.2 常见的ANN类型

3.3 ANN的关键技术

3.4 BP算法

3.5 ANN的学习方式

第4章 GAN中常用的ANN

4.1 卷积神经网络

4.2 循环神经网络

4.3 变分自编码器

4.4 深度残差网络

第5章 相关算法

5.1 和图像处理有关的算法

5.2 和函数优化有关的算法

第6章 GAN基础

6.1 GAN概要

6.2 数据分布及其转换

6.3 生成模型与判别模型

6.4 GAN的工作过程

第7章 GAN的目标函数

7.1 数据的信息熵

7.2 数据分布的差异：散度

7.3 GAN目标函数及其优化

第8章 GAN的训练

8.1 GAN训练中常见的问题

8.2 提升GAN训练的稳定性

8.3 GAN训练中的常用技巧

第9章 GAN的改进

9.1 GAN的改进之路

9.2 C GAN和info GAN

9.3 DC GAN

9.4 W GAN

9.5 Big GAN

第10章 GAN的图像处理应用

10.1 图像生成

10.2 图像超分辨率重建

10.3 图像修复

10.4 图像翻译

10.5 图像风格迁移

10.6 视频预测

第11章 GAN的Python编程

11.1 Python编程语言

11.2 常见的Python集成开发环境

11.3 深度学习框架

11.4 TensorFlow中的GAN编程

第12章 GAN图像处理实例

12.1 1维GAN编程

12.2 MNIST手写数字的生成

参考文献