全文总字数：5302字

1. 研究目的与意义及国内外研究现状

根据相关研究表明，在人体大脑接收到的信息中，有大约80%是来自于视觉，而图像作为视觉感知的主要载体，已经广泛而又普遍的应用于各个行业^[1]。随着社会科学的不断进步，人们对于图像质量的要求越来越高，所以说如何提高生成图像质量已成为一个热门研究方向。

自上世纪20年代人类第一次实现图像传送至今，图像处理技术已经取得了突飞猛进的发展，在其发展历史过程中，到如今应用于计算机视觉领域，为计算机虚拟现实打下了监视的基础。虚拟显示技术其中最主要的就是逼真度视觉效果，因此高质量的图像在未来技术中占据着重要的地位。然而人们通过获取图像的手段来获取外界信息，在图像信息交流的过程中往往会涉及到图像获取的方法、压缩、存储、传输等问题。因此获取图像信息受限于各种不确定因素，这些难以预测避免的因素导致图像质量的下降，影响着图像信息的完备性于准确性有些损失在某些行业可能会失之毫厘差之千里，最终导致严重的后果。因此寻找设计生成高质量图像的方法具有重要的研究意义。而利用计算机生成高质量图像逐步成为了趋势，目前深度学习已经深入人心，作为深度学习领域的佼佼者生成式对抗网络也成为了热门的生成图像的热门研究方向^[2]。

2. 研究的基本内容

研究基于边界平衡生成式对抗网络的图片生成，主要借鉴深度卷积生成式对抗网络，同时也参考了基于能量的生成式对抗网络优化原理，在训练过程中为了获取更稳定的训练模型而牺牲一定的训练速度。

提出了促进平衡生成式对抗网络中生成器和判别器的方法并配套了相应的损失函数。

通过实际训练，最终完成对图像质量以及模型收敛性的测量，得出最终结论：基于边界平衡生成式对抗网络的方法解决了经典生成式对抗网络的难题，在使用相对简单的模型结构和一些标准的训练程序我们就可以实现提高图像视觉质量的任务，即使实在更高的分辨率下，也能够保证图像的质量。

3. 实施方案、进度安排及预期效果

实施方案：

首先通过查阅相关资料了解生成式对抗网络的原理与存在的价值，学习生成式网络的最新研究现状以及相关的优化原理，把相关概念了解清楚后阅读程序，了解程序算法流程后再进行实验。使用pycharm64作为开发工具进行实验训练。观察训练结果生成的高质量图像，分析图像的多样性与质量的关系，分析收敛性与图像质量关系、测试分析平衡效果。

进度安排：

4. 参考文献

[1]张栩铫.高质量图像获取与处理技术研究（doctoral dissertation）,(2016):1.

[2]alec radford, luke metz, and soumith chintala. unsupervised representationlearning with deep convolutional generative adversarial networks. arxiv preprintarxiv:1511.06434, 2015.