摘 要

生成对抗网络（GANs）已用于图像生成任务，并取得了令人印象深刻的结果。本设计完成了一个基于对抗生成网络（GANs）的超分辨图像生成系统。设计在tensorflow中完成，使用了MNIST手写数据集作为训练的数据来源，搭建了一个传统的生成对抗网络，把生成器和真实数据作为判别器的两个输入，依靠生成对抗网络的较好的学习能力，完成了生成器向真实数据的学习。

本系统主要由7大组成部分构成，分别是数据预处理模块，生成器模块，辨别器模块，损失函数模块，优化器模块，训练模块和绘图模块，各模块之间分工明确，效率高。

关键词：生成对抗网络 超分辨图像生成 计算机视觉 数据训练

abstract

Generative adversarial networks (GANs) have been used for image generation tasks and have achieved impressive results. This design completes a super-resolution image generation system based on adversarial generation networks (GANs). The design is completed in tensorflow, using the MNIST handwritten data set as the training data source, building a traditional generative adversarial network, using the generator and real data as the two inputs of the discriminator, relying on the better learning of the generated adversarial network Ability to complete the generator's learning from real data.

This system is mainly composed of 7 major components, namely data pre-processing module, generator module, discriminator module, loss function module, optimizer module, training module and drawing module, the division of labor between each module is clear, and the efficiency is high

Key words: Generative adversarial network，super-resolution image generation，computer vision，data training

目录

摘要 I

abstract II

1．绪论 1

1.1设计目的 1

1.2课程设计要求 1

1.3课程设计任务 2

2.MNIST数据集 3

3.GAN原理 5

3.1 GAN详解 5

3.1.1 原始GAN的产生及概述 5

3.1.2 GAN结构与学习模型 6

3.2 GAN的训练性能指标及应用 10

3.2.1 GAN的训练性能指标 10

3.2.2 GAN的应用 11

4.设计方案 13

4.1 理论方案 13

4.2 建立模型 14

5.设计结果分析 16

6.结论 19

参考文献 20

致谢 21

附录 22

1．绪论

图像超分辨率技术（super-resolution，SR）是一种图像处理程序，将退化的图像或者图像序列作为输入，生成更高质量的图像或者图像序列。图像超分辨率生成（super-resolution，SR）问题近年来受到越来越多的关注，已成为一个研究的热点问题。图像超分辨率生成（super-resolution，SR）作为学术界和工业界重点讨论与研究的问题，在网络图像传输（Network image transmission）中发挥着重要作用人类获取信息的主要途径是视觉，大部分基于视觉的应用效果都依赖于图像的质量，所以超分辨率生成（super-resolution）在图像传输（Image transmission）、航空遥感（aerial remote sensing）、医疗分析（medical analysis）、视频监控（video surveillance）等领域都可以对帮助人类的视觉起重要的作用，很好的满足人类的需求。

而生成式对抗网络（GAN,Generative Adversarial Networks）是一种深度学习模型（Deep learning model），是近年来复杂分布上无监督学习最具前景的方法之一。生成对抗网络的概念是在2014年6月由蒙特利尔大学Ian Goodfellow等学者提出的，最近的几年时间内，Google、Facebook、Open AI等AI业界巨头也在不断的对GAN这个领域进行了研究。从2017年由中国自动化学会主办智能自动化学科前沿讲习班在京举行起，我国对GAN的研究就开始加速了。为了促进生成式对抗网络GAN相关理论、方法、技术与应用研究的深入开展，智能自动化学科前沿讲习班邀请了王飞跃教授等多位学术界和工业界的知名学者，全面介绍了GAN技术与应用的研究进展，探讨相关技术的发展趋势。

1.1设计目的

通过毕业设计，使学生加强对计算机视觉的理解，学会简单深度学习模型的设计，进一步提高分析解决实际问题的能力，通过完成综合设计型和创新性设计及训练，创造一个动脑动手﹑独立开展搭建计算机视觉模型的机会，锻炼分析﹑解决深度学习问题的实际本领，实现由课本知识向实际能力的转化；加深对计算机视觉的理解，提高学生对现代计算机视觉的全面认识，增强学生的实践能力。

1.2课程设计要求

要求：掌握生成对抗网络的基本原理，掌握传统生成对抗网络的设计、搭建方法，学习软件建模。

1.培养学生根据需要选学参考资料，查阅手册，图表和文献资料的自学能力，通过独立思考﹑深入钻研有关问题，学会自己分析解决问题的方法。

2.通过对生成对抗网络实现超分辨图像生成系统，了解生成对抗网络在图像处理方面的优点。

3.掌握相关软件正确使用方法，学会基于生成对抗网络的实现超分辨图像生成系统的设计和搭建方法，提高动手能力。

1.3课程设计任务

设计并实现一个基于对抗生成网络的超分辨图像生成系统。使用 MNIST 手写数据集作 为训练的数据来源，通过搭建传统的生成对抗网络，生成器和真实数据作为判别器的两个输入，依靠生 成对抗网络的较好的学习能力，完成生成器向真实数据的学习。

2.MNIST数据集

MNIST数据集是一个包含手写数字图像的数据库，每个图像都用0到9的整数标记。它用于基准测试机器学习算法的性能。MNIST的神经网络被视为研究机器学习算法的起点。它是一个手写数字识别库，世界上最权威的，来自美国国家标准与技术研究所,National Institute of Standards and Technology (NIST).训练集(training set)由来自250个不同人手写的数字构成,其中50%是高中学生,50%来自人口普查(the Census Bureau) 的工作人员.测试集(test set)也是同样比例的手写数字数据.。可以从MNIST的官网下载，也可以使用软件内置的下载工具直接下载。

该数据集包含60,000个用于训练的示例和10,000个用于测试的示例。这些数字已经过尺寸标准化并位于图像中心，图像是固定大小(28x28像素)，其值为0到1。MNIST（美国国家标准技术研究院）数据库由LeCun等。。此后，此数据集已被广泛用作不同机器的测试平台学习和模式识别建议。MNIST数据库总共包含70,000个实例，其中60,000个用于培训和其余的用于测试。该数据库包含两个不同的来源：NIST的特殊数据库（在高中生中收集）和NIST的特殊数据库3（从人口普查局检索）培训集包含来自250多个作者的样本。原始图像已提交给预处理。此过程首先涉及规范化图像以适应20×20像素的框，同时保留宽高比。然后，使用了抗锯齿滤波器应用，结果黑白图像被有效地转换为灰度。最后，