文献类型：期刊文章

作　　者：赵增顺[1,2,3] 高寒旭[1] 孙骞[1] 滕升华[1] 常发亮[2] Dapeng Oliver Wu[3]

ZHAO Zeng-shun;GAO Han-xu;SUN Qian;TENG Sheng-hua;CHANG Fa-liang;Dapeng Oliver Wu(College of Electronics Communications and Phisics,Shandong University of Science and Technology,Qingdao 266590,China;School of Control Science and Engineering,Shandong University,Jinan 250061,China;Department of Electrical＆ Computer Engineering,University of Florida,Gainesville,FL 32611,USA)

机构地区：[1]山东科技大学电子通信与物理学院,山东青岛266590 [2]山东大学控制科学与工程学院,济南250061 [3]佛罗里达大学电子与计算机工程系,美国佛罗里达州盖恩斯维尔32611

出　　处：《小型微型计算机系统》

基　　金：国家自然科学基金项目(61403281)资助;中国博士后科学基金特别项目(2015T80717)资助;山东省自然科学基金项目(ZR2014FM002)资助;山东省重点研发计划项目(2015GSF118094)资助;山东省青年教师成长计划经费项目(2017)资助

年　　份：2018

卷　　号：39

期　　号：12

起止页码：2602-2606

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2017_2018、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：近年来,生成对抗网络发展迅速,尤其在图像处理方面表现突出.由于深度网络的强大和竞争性训练方式,生成对抗网络可以产生高质量的图像.本文论述了生成对抗网络的理论框架及衍生模型,简要介绍了其训练方法,重点介绍了生成对抗网络在图像处理领域的应用,包括图像的合成与分类,图像风格转换,图像超分辨率和其他应用.

关 键 词：生成对抗网络  深度学习  卷积神经网络 图像合成

分 类 号：TP183]