圖像修復(fù)中深度學(xué)習(xí)算法的應(yīng)用分析概述目錄TOC\o"1-2"\h\u17520圖像修復(fù)中深度學(xué)習(xí)算法的應(yīng)用分析概述 [9]時(shí)，首先不用將不完整的破損圖片修復(fù)考慮在內(nèi)，直接通過原圖利用GAN網(wǎng)絡(luò)訓(xùn)練圖像生成模型。圖2.6即為使用GAN網(wǎng)絡(luò)進(jìn)行圖像修復(fù)的原理圖。圖2.6GAN網(wǎng)絡(luò)進(jìn)行圖像修復(fù)的原理(隨機(jī)噪聲經(jīng)過生成器多次迭代后提取生成后假圖片的部分填充到待修復(fù)圖)深度卷積對(duì)抗網(wǎng)絡(luò)深度卷積對(duì)抗網(wǎng)絡(luò)介紹深度卷積對(duì)抗網(wǎng)絡(luò)網(wǎng)絡(luò)簡(jiǎn)單來講通過卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)GAN網(wǎng)絡(luò)框架生成器判別器。但是在進(jìn)行實(shí)驗(yàn)時(shí)，為了提高訓(xùn)練收斂的速度，DCGAN對(duì)卷積網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行了一些修正，這些修正如下：(1)取消卷積后的池化層，在判別器網(wǎng)絡(luò)中取消的池化層改用卷積層，在生成器網(wǎng)絡(luò)中取消的池化層改用轉(zhuǎn)置卷積層。(2)對(duì)判別器網(wǎng)絡(luò)訓(xùn)練的過程中，輸出層要確保輸出數(shù)量為兩個(gè)，一般使的是sigmoid函數(shù)，其他層全部使用relu函數(shù)激活。(3)對(duì)生成器網(wǎng)絡(luò)訓(xùn)練的過程中，除輸出層外之外全部都使用經(jīng)過修正之后的ReLU函數(shù)LeakyReLU函數(shù)激活。輸出層為保證輸出在-1到1之間，采用tanh激活。圖2.7是DCGAN網(wǎng)絡(luò)的生成器。圖2.7DCGAN網(wǎng)絡(luò)的生成器(100維噪聲經(jīng)過三層轉(zhuǎn)置卷積層圖像由窄深變?yōu)閷挏\)(4)batch_normalization歸一化。(5)取消密集（dense）層。深度卷積對(duì)抗網(wǎng)絡(luò)與圖像修復(fù)DCGAN網(wǎng)絡(luò)實(shí)際是GAN網(wǎng)絡(luò)的升級(jí)，所以使用DCGAN網(wǎng)絡(luò)進(jìn)行圖像修復(fù)的原理與GAN網(wǎng)絡(luò)相似?？偟膩碚f就是訓(xùn)練生成器具備生成假圖片的能力，然后不斷調(diào)整輸入，使之能找到最佳假圖片。關(guān)于原理細(xì)節(jié)和實(shí)驗(yàn)細(xì)節(jié)將在第三，四章詳細(xì)介紹。三種網(wǎng)絡(luò)在圖像修復(fù)上的比較實(shí)驗(yàn)證明CNN，GAN,DCGAN都能應(yīng)用于圖像修復(fù)，但是三種網(wǎng)絡(luò)進(jìn)行圖像修復(fù)時(shí)都存在優(yōu)缺點(diǎn)。表2.1CNN，GAN，DCGAN在圖像修復(fù)上的比較修復(fù)圖像方法優(yōu)點(diǎn)缺點(diǎn)卷積自編碼器圖像任意破損區(qū)域都能夠進(jìn)行修復(fù)只能對(duì)生成低分辨圖像進(jìn)行修復(fù)；圖像修復(fù)的拼接效果不佳使用GAN網(wǎng)絡(luò)可以生成高分辨率修復(fù)的圖像；GAN比CNN學(xué)到的特征更能代表原圖訓(xùn)練的過程中不容易收斂；不穩(wěn)定，造成生成器的生成效果不理想；G的生成優(yōu)化來自于D的分辨結(jié)果的反饋，若D的分辨結(jié)果過佳，則會(huì)造成G的梯度消失；若G生成假圖片的效果過好，則會(huì)造成D無法分辨真假圖片，導(dǎo)致模式崩潰。使用DCGAN網(wǎng)絡(luò)結(jié)