全文总字数：1530字

1. 研究目的与意义及国内外研究现状

gan作为一个较为先进的前沿模型，通过引入生成对抗的思想，并利用双模型来拟合数据分布，是最近业界比较火的一个研究方向。各路专家已经在gan的基础上实现了很多gan的变种例如cogan等来达到各种各样的目的。这次毕业设计通过利用深度神经网络（deep neural network）的概念实现基础gan模型，一方面是了解学习gan到底是怎么运作的，另外一方面是借此机会来接触下当下比较热门的深度学习框架tensorflow。

国内外研究现状

在过去一两年中，生成式模型 generative adversarial networks（gan）的新兴为生成式任务带来了不小的进展。尽管 gan 在被提出时存在训练不稳定等诸多问题，但后来的国内外的研究者们分别从模型、训练技巧和理论等方面对它做了改进。比如在15年提出的dcgan将无监督学习和卷积神经网络结合了起来，生成模型和判别模型都利用卷积神经网络实现，并且增强了模型的稳定性，在之后提出的cgan，首次引入了标签约束的概念，将gan的概率改成了与标签相关条件概率，最后能生成有标签约束的样本，去年英伟达出的stylegan更是能生成超逼真人脸而闻名。出了纯理论研究以外，关于gan相关的应用也有很多，比如利用gan来实现图片的超分辨率的waifu2x算法，可以看出gan这个方向在国内外的研究热情非常的高。

2. 研究的基本内容

在论文中先介绍了相似图片生成的背景，从而引出gan的概念。之后详细介绍了gan的原理和数学证明过程，为了将gan和卷积神经网络连接起来，介绍关于了gan的变种dcgan并且详细的说明了dcgan相比于原版gan做了什么改动和优化，在后面关于数据集的分类选优部分介绍了目标检测算法yolo在动漫人脸检测的场景实现。在最后利用这批分类选优的动漫人脸数据作为训练集，从而生成另外一批动漫人脸图片并且记录在训练的每一个阶段过程中所生成图片的变化，最后保存训练好的模型并进行论文总结。

3. 实施方案、进度安排及预期效果

目前在写开题报告的过程中，已经利用tensorflow大体上实现了gan，训练过程中的过程图片也生成了一大部分。后面的安排是获取更多优质的动漫人脸数据集，这一部分需要额外的深度学习模型来帮忙选优，然后就是开始着手论文的编写工作，争取在四月中旬完成全部任务，再之后就是不断对论文内容进行深入和补充了。

4. 参考文献

[1] goodfellow ian, pouget-abadie j, mirza m, et al. generative adversarial nets

[2] loss-sensitive generative adversarial networks on lipschitz densities

[3] medical image synthesis for data augmentation and anonymization using generative adversarial networks