摘  要

 

在人工智能领域中，对抗神经网络是近年来复杂分布上无监督学习最具前景的方法之一。近年来，在计算机视觉领域中，深度学习已经占据主导地位。不论是在图像识别还是图像分类上，卷积神经网络已成为图片研究的重要技术，但它们的能力并不仅限于这些任务。现在深度学习技术已进入图片压缩领域。本文探讨了深度学习在图像压缩中的应用，设计了基于对抗神经网络的图像压缩神经网络结构。通过生成网络生成器和判别网络判别器，使生成器学习到特征。该框架由两部分组成：一部分用于学习输入图像的最优压缩表示，另一部分用一个模型将高质量的解码图像重建为解码图像的网络。利用使用重建损失函数和对抗损失函数用于增强重建图像的纹理细节，减少解压图像与真实图像之间的结构误差。利用大量的数据集构造训练样本集，训练卷积神经网络实现图像的压缩和解压缩，取得了良好的效果。

关键词：深度学习、图片压缩、神经网络、 损失函数、 对抗神经网络

目  录

 

第一章 绪论 1

1.1 引言 1

1.2 国内外研究现状 1

1.2.1 国外研究现状 1

1.2.2 国内研究现状 1

1.3 发展趋势 2

1.4 论文研究的主要内容 2

第二章 相关知识 3

2.1 深度学习 3

2.2对抗神经网络 3

2.3常用压缩格式 4

2.4图片恢复方法 4

第三章 基于对抗神经网络的图片压缩系统搭建 6

3.1 设计思路 6

3.2 模型搭建 6

3.2.1 编码器模型 6

3.2.2 解码器模型 7

3.2.3 损失函数 8

3.3训练步骤设计 10

3.3.1加载模块设计 10

3.3.2训练模块设计 11

第四章 基于对抗神经网络的图片压缩实验与分析 14

4.1 实验环境 14

4.2 实验设置 14

4.3 画质测试 14

4.4 结果分析 15

第五章 结论和展望 16

5.1 总结 16

5.2 展望 16

参考文献 17

致  谢 18