基于TensorFlow的图像生成

图书标准信息

• 作者 [英]Soon Yau Cheong(张舜尧
• 出版社 电子工业出版社
• 出版时间 2022-10
• 版次 1
• ISBN 9787121443473
• 定价 89.00元
• 装帧 其他
• 开本 16开
• 页数 248页
• 字数 305千字

【内容简介】

本书是一本使用深度学习生成图像和视频的实用指南。书中深入浅出地介绍了基于TensorFlow生成图像的基本原理。本书有三部分共10章，第一部分介绍使用TensorFlow生成图像的基本知识，包括概率模型、自动编码器和生成对抗网络（GAN）；第二部分通过一些应用程序案例介绍具体的图像生成模型，包括图像到图像转换技术、风格转换和人工智能（AI）画家案例；第三部分介绍生成对抗网络的具体应用，包括高保真面孔生成、图像生成的自我关注和视频合成。本书内容详尽、案例丰富，通过阅读本书，读者不仅可以理解基于TensorFlow生成图像的基本原理，还可以真正掌握图像生成的技能。本书适合图像处理、计算机视觉和机器学习等专业的本科生、研究生及相关技术人员阅读参考。

【作者简介】

Soon Yau Cheong是一名人工智能顾问，也是Sooner.ai公司的创始人，曾与NVIDIA和高通等行业巨头合作，在人工智能的各个领域提供咨询服务，如深度学习、计算机视觉、自然语言处理和大数据分析。

冒燕，男，1978年5月生，武汉理工大学讲师，博士学历，主要从事光纤传感及医学OCT系统成像等技术等研究。发表论文30余篇，其中SCI/EI检索论文15篇。获得授权国家发明专利4项，省部级科技奖励5项，参与编写出版著作2本。

【目录】

目    录

第1篇  TensorFlow生成图像的基本原理

第1章  开始使用TensorFlow生成图像2

1.1  技术要求2

1.2  理解概率2

1.2.1  概率分布3

1.2.2  预测置信度4

1.2.3  像素的联合概率4

1.3  用概率模型生成人脸7

1.3.1  创建面孔7

1.3.2  条件概率9

1.3.3  概率生成模型10

1.3.4  参数化建模12

1.4  从零开始构建PixelCNN模型13

1.4.1  自回归模型14

1.4.2  PixelRNN14

1.4.3  使用TensorFlow 2构建PixelCNN模型14

1.5  本章小结21

第2章  变分自编码器22

2.1  技术要求22

2.2  用自编码器学习潜在变量22

2.2.1  编码器23

2.2.2  解码器26

2.2.3  构建自编码器28

2.2.4  从潜在变量生成图像29

2.3  变分自编码器31

2.3.1  高斯分布31

2.3.2  采样潜在变量33

2.3.3  损失函数36

2.4  用变分自编码器生成人脸38

2.4.1  网络体系结构38

2.4.2  面部重建39

2.4.3  生成新面孔40

2.4.4  采样技巧40

2.5  控制面部属性42

2.5.1  潜在空间运算42

2.5.2  寻找属性向量42

2.5.3  面部编辑43

2.6  本章小结45

第3章  生成对抗网络46

3.1  技术要求46

3.2  了解GAN的基本原理47

3.2.1  GAN的架构47

3.2.2  价值函数48

3.2.3  GAN训练步骤51

3.3  构建深度卷积GAN（DCGAN）53

3.3.1  结构指南53

3.3.2  建立Fashion-MNIST的DCGAN55

3.3.3  训练我们的DCGAN58

3.4  训练GAN的挑战60

3.4.1  无信息损失和度量60

3.4.2  不稳定性61

3.4.3  梯度消失61

3.4.4  模式崩塌62

3.5  建立Wasserstein GAN（WGAN）63

3.5.1  理解Wasserstein损失64

3.5.2  实现1-Lipschitz约束65

3.5.3  重组训练步骤66

3.5.4  实施梯度惩罚（WGAN-GP）68

3.5.5  调整CelebA的WGAN-GP71

3.6  本章小结73

第2篇  深度生成模型的应用

第4章  图像到图像的翻译76

4.1  技术要求76

4.2  条件GAN77

4.2.1  实现条件DCGAN78

4.2.2  条件GAN的变体82

4.3  使用pix2pix进行图像翻译84

4.3.1  丢弃随机噪声85

4.3.2  U-Net作为生成器85

4.3.3  损失函数88

4.3.4  实现PatchGAN判别器88

4.3.5  训练pix2pix90

4.4  CycleGAN的非成对图像翻译91

4.4.1  未配对的数据集91

4.4.2  循环一致性损失92

4.4.3  构建CycleGAN模型93

4.4.4  分析CycleGAN95

4.5  用BicycleGAN实现图像翻译多样化96

4.5.1  理解体系结构97

4.5.2  实现BicycleGAN99

4.6  本章小结104

第5章  风格迁移105

5.1  技术要求105

5.2  神经风格迁移106

5.2.1  利用VGG提取特征107

5.2.2  内容重构109

5.2.3  用Gram矩阵重建风格111

5.2.4  执行神经风格迁移113

5.3  改进风格迁移114

5.3.1  使用前馈网络进行快速风格迁移116

5.3.2  不同的风格特征117

5.3.3  使用归一化层控制风格117

5.4  实时任意风格转换118

5.4.1  实现自适应实例归一化119

5.4.2  风格迁移网络架构120

5.4.3  任意风格迁移训练123

5.5  基于风格的GAN简介126

5.6  本章小结131

第6章  人工智能画家132

6.1  技术要求132

6.2  iGAN介绍132

6.2.1  了解流形134

6.2.2  图像编辑135

6.3  基于GauGAN的分割图到图像的翻译139

6.3.1  pix2pixHD介绍139

6.3.2  空间自适应归一化（SPADE）140

6.3.3  实际应用GauGAN146

6.4  本章小结153

第3篇  高级深度生成技术

第7章  高保真人脸生成156

7.1  技术要求156

7.2  ProGAN概述156

7.2.1  像素归一化158

7.2.2  使用小批量统计增加图像变化159

7.2.3  均衡学习率160

7.3  ProGAN的建立162

7.3.1  生成器块的建立162

7.3.2  判别器块的建立164

7.3.3  逐步发展网络165

7.3.4  损失函数169

7.3.5  存在的问题169

7.4  实际应用StyleGAN171

7.4.1  风格化生成器172

7.4.2  实现映射网络173

7.4.3  添加噪声174

7.4.4  AdaIN的实现174

7.4.5  建造生成器块175

7.4.6  StyleGAN的训练176

7.5  本章小结177

第8章  图像生成的自注意力机制178

8.1  技术要求178

8.2  谱归一化179

8.2.1  了解谱范数179

8.2.2  谱的归一化实现180

8.3  自注意力模块181

8.3.1  计算机视觉的自注意力181

8.3.2  自注意力模块的实现183

8.4  建立SAGAN185

8.4.1  构建SAGAN生成器186

8.4.2  条件批量归一化187

8.4.3  构建判别器189

8.4.4  训练SAGAN190

8.5  实现BigGAN191

8.5.1  缩放GAN191

8.5.2  跳过潜在向量192

8.5.3  共享类嵌入193

8.5.4  正交归一化195

8.6  本章小结196

第9章  视频合成197

9.1  技术要求197

9.2  视频合成概述198

9.2.1  理解人脸视频合成198

9.2.2  DeepFake概述199

9.3  实现人脸图像处理201

9.3.1  从视频中提取图像201

9.3.2  检测和定位人脸202

9.3.3  面部特征的检测203

9.3.4  面部对齐204

9.3.5  面部扭曲206

9.4  建立DeepFake模型208

9.4.1  构建编码器208

9.4.2  构建解码器209

9.4.3  训练自编码器210

9.5  人脸互换212

9.6  用GAN改进DeepFake214

9.7  本章小结216

第10章  总结与展望217

10.1  GAN的回顾217

10.1.1  优化和激活功能218

10.1.2  对抗损失218

10.1.3  辅助损失219

10.1.4  归一化219

10.1.5  正则化220

10.2  将你的技能付诸实践221

10.2.1  不要相信你读到的一切221

10.2.2  你的GPU够强吗221

10.2.3  使用现有的模型构建你的模型221

10.2.4  理解模型的局限性222

10.3  图像处理222

10.3.1  图像修整222

10.3.2  图像压缩224

10.3.3  图像超分辨率225

10.4  文本转图像225

10.5  视频重定向227

10.5.1  人脸再现228

10.5.2  姿势转换229

10.5.3  运动转移230

10.6  神经渲染231

10.7  本章小结233