基于生成对抗网络的人脸生成研究.docx

基于生成对抗网络的人脸生成研究 摘要：基于大量训练样本生成高置信度图像的生成对抗网络研究已经取得一些成果，但是现有的研究只针对已知训练样本进行图像生成，而未将训练的参数用于训练样本之外的图像生成。该文设计了一种改进的生成对抗网络模型，在已有网络的基础上增加一个还原层，使得测试图像可以通过改进的对抗网络生成对应的高置信度图像。实验结果表明，改进的生成对抗网络参数可以应用到训练集之外的普通样本。同时本文改进了生成模型的损失算法，极大地缩短了网络的收敛时间。 关键词：生成对抗网络；人脸生成研究；生成模型；损失函数 Abstract some achievements have been made in the research of generating high confidence images based on a large number of training samples, but the existing research only aims at the image generation of the known training samples, and the training parameters are not used for the image generation outside the training samples. This paper designs an improved generation antagonism network model, adding a reduction layer on the basis of the existing network, so that the test image can generate the corresponding high confidence image through an improved antagonism network. The experimental results show that the improved generation of confrontation network parameters can be applied to the common samples outside the training set. At the same time, this paper improves the loss algorithm of the generating model, which greatly reduces the convergence time of the network. Keywords: generation confrontation network; face generation research; generation model; loss function. 1 引言 深度学习对抗样本的概念早是Szegedy等人[1]在2013 年发表的神经网络的有趣特性中提出的，即在数据集中通过故意添加细微的干扰所形成输入样本，受干扰之后的输入导致模型以高置信度给出了一个错误的输出。文中证明包括卷积神经网络(Convolutional Neural Network, CNN)在内的深度学习模型对于对抗样本都具有极高的脆弱性。研究提到，在训练集的不同子集上训练得到的具有不同结构的模型都会对相同的对抗样本实现误分，这意味着对抗样本成为了训练算法的一个盲点。 Nguyen 等人[2]在 CVPR2015 上发表的深度神经网络是很容易被愚弄的：不能识别的图像高信度的预测指出对一些欺骗样本，深度学习模型会以高置信度将它们进行分类。因此进一步研究对抗样本的算法实际上有利于整个深度学习领域的进步。生成对抗网络是对抵抗样本加以判别，不断改进抵抗样本与判别结果，利用抵抗样本生成高度逼真样本。本文的研究使得无监督学习的生成对抗网络具有半监督学习的特点。 生成对抗网络(Generative Adversarial Nets, GANs)是Goodfellow等人[3]2014年提出的一种无监督学习的训练方法。生成对抗网络由两部分组成，一个是生成器，一个是辨别器，生成器好比一个小偷，而辨别器好比一个警察，小偷的目的是想方设法去欺骗警察，而警察的目的就是想方设法不受欺骗，小偷和警察都在不断地优化自己来达到目的，同时彼此都在与对方的对抗中不断提升。从文献[3] 可以看出来，GANs 在数字和人脸生成方面效果不错，生成对抗网络在人脸生成，手写字体生成已经动物生成的效果欠佳，甚至由于 GANs 不稳定，生成的结果的质量常常与训练的时间不成正比，容易出现过拟合。GANs 生成模型的结果只能由人眼观察，没有成熟