全文总字数：2960字

1. 研究目的与意义及国内外研究现状

对于人工智能的研究，gan（generative adversarial nets）生成对抗网络毫无疑问成了近几年研究的热点，它是由2014年还在蒙特利尔读博士的iangoodfellow引入深度学习领域的。2016年，gan热潮席卷ai领域顶级会议，从iclr到nips，大量高质量论文被发表和探讨，甚至在iclr会议上占据了半壁江山。yann lecun曾评价gan是“20年来机器学习领域最酷的想法。“

与贝叶斯学习不同，神经网络无法或者很难做数据生成，也就是给定一个类别，生成对应类别的数据。所以gan的出现，很大程度上解决了神经网络的生成问题。对于机器学习研究员来说，看待的最关键一点应该是gan可以用来 拟合数据分布 。即gan模型的特点在于，他生成数据本身。

而本次毕业设计所选的题目”基于gan的人脸多风格样本生成研究“，是在有限的样本集训练中，输入人脸正像数据样本，通过g与d的训练过程（实际上是一种博弈过程），在学习从随机变量zz到训练样本xx的映射关系，其中随机变量可以选择服从正太分布，得到一个由多层感知机组成的生成网络g(z;θg)g(z;θg)，网络的输入是一个一维的随机变量（人脸正像），输出人脸侧像图片。本设计可以生成大量不同人的人侧脸图像,将有效改善人脸识别领域数据缺乏的问题，最终的测试过程,输入一张随机人正脸的图片,经过训练好的编码器得到身份信息特征,再通过训练好的生成网络,得到同一个人的侧面人脸图像。

国内外研究现状

gan启发自博弈论中的二人零和博弈，由[goodfellow et al, nips 2014]开创性地提出，包含一个生成模型（generative model g）和一个判别模型（discriminative model d）。生成模型捕捉样本数据的分布，判别模型是一个二分类器，判别输入是真实数据还是生成的样本。这个模型的优化过程是一个“二元极小极大博弈（minimax two-player game）”问题，训练时固定一方，更新另一个模型的参数，交替迭代，使得对方的错误最大化，最终，g 能估测出样本数据的分布。

2. 研究的基本内容

基于gan的人脸多风格样本生成研究构建方法和过程：

采用双通道网络(two pathway generator) localpathway和globalpathway. local pathway 用于解决人脸的细节问题，输入正脸的四个特征图像块：两个眼睛、鼻子、嘴巴。输出侧脸的对应四个图像块；global pathway 用于生产人脸大的结构，缺少细节，输入完整的正脸图像输出完整的模糊的测脸图像。主要定义了三个损失函数（synthesis loss function）

1 pixel-wise loss facilitatemulti-scale image content consistency。图像内容的一致性

3. 实施方案、进度安排及预期效果

实行方案：基于python的gan人脸多风格样本生成研究：系统由一个生成器和一个判别器构成，生成器捕捉真实样本的潜在分布，并生成新的数据样本；判别器判别输出的是真实数据还是生成的样本，在大量训练后实现“纳什均衡”最后，在系统整合阶段一方面检查已经实现部分的不足，另一方面优化实现部分的代码。

进度：

2018年1月6日至2018年1月14日 开题报告撰写

4. 参考文献

[1]张卫,马丽,黄金.基于生成式对抗网络的人脸识别开发[j].电子世界,2017(20):164-165.

[2]平行机器人与平行无人系统：框架、结构、过程、平台及其应用[j]. 白天翔,王帅,沈震,曹东璞,郑南宁,王飞跃.自动化学报. 2017(02)

[3] beyondface rotation: global and local perception gan for photorealistic and identity preserving frontal view synthesis.