分类： 周报

一、本周工作 关于图像修复，纹理生成，超分辨率三方面，了解了一下目前在论文中有记载的实现方式都有什么，其中， 图像修复实现的方式有：基于稀疏表示/纹理合成/局部结构信息/几何信息/马尔科夫随机场/全变分模型/压缩感知等，方式较多，实验结果也较成熟； 纹理生成实现的方法有：Arnold正反变换/特征匹配/马尔科夫模型/粒子群优化算法/块缝合/块采样等； 超分辨率实现的方式有：卷及神经网络/基于插值（传统插值/ 边缘指导插值） /基于建模/基于学习等； 总体来讲，以上方法在对应的功能实现方面做了更好的优化，实验效果也更逼真。若要相关方向的应用，可以考虑超分辨率，大概思路如下： 监控摄像头下，由于采集到的图像数据量非常大，但是存储空间有限，所以图像的分辨率也就变得低了；当我们需要某张图像的细节信息时，由于分辨率问题，图像并不是很清晰，也就往往捕捉不到关键信息。若是使用超分辨率，将图像中的细节丰富处理，可能就是某些人员的需求。 二、下周计划 将应用想法商讨，落实，并进行深入了解。 ...

一、本周工作 对于WGAN的大体结构已有初步了解，但是其中的对WGAN的深度解析，公式由来以及推导过程有一定难度，现在还没有真正理解。按照论文中对DCGAN不足之处的理解以及对应的做出对应的优化，可以看出，WGAN从结构上和从训练的难易程度上，比较DCGAN确实有些改进，也比较好训练，也更加稳定。 本周从GitHub上Down下来些源码，本想在机子上跑一下，看看结果咋样，但是代码基本上都是基于GPU运行的，由于本机的基本环境不支持，所以代码也没有跑成。 二、下周计划 想试试GAN的其他应用比如图像翻译，超分辨率应用，能有什么新结果。 ...

一、本周工作 关于GAN音频实现，训练集是音乐，通过实验结果发现，效果并不是如期那么理想，合成之后断断续续，且没有音乐的特征，就目前GitHub上关于音频仅有的实验结果，效果不理想。 查阅资料时，忽然看到一篇文章，是关于Wasserstein GAN的，据文章中的介绍，WGAN比DCGAN（目前应用和代码使用率最高）的结果更优质，但WGAN和DCGAN到底区分何处，正在理解中。 通过查阅资料，进一步证明，DCGAN方式无法显示Pdata 的分布，也就是，没有办法将DCGAN的分布直观的表示出来，此为其一； 在训练过程中，并不是通过得到的概率进行下一次的训练，而是通过计算交叉熵作为下一次训练更新参数的依据，此为其二。 二、下周计划 把实用新型出现的个别问题进行仔细校正； 将WGAN的来龙去脉摸清楚； 试运行WGAN代码； ...

第一周刚开始的几天一直做实验，找帕金森系统合适，性能较好的参数。虽然系统比以前采用随机一组的参数而言稳定，但是还是有一定缺陷。（现在参数采用的是多组参数的平均数较以前单一参数而言稳定了很多）接下来我会继续找合适的参数。还有就是帮师浩斌学长画了一些他论文里需要的图片，还有帮他转化一些他需要的数据。 ...

本周主要完成了以下内容： （1） 修改并提交了《属性拓扑与属性偏序双向转化论文》以及其《修改情况说明》。 （2） 重新整理软件著作权并提交，也提醒小伙伴们：燕山大学事业单位法人证书证件号码已改为121300004024685546。 ...

本周工作 主要进行两个工作：GAN论文以及相关资料的研读和学习；跑通DCGAN代码。 本周进度 通过开学对GAN相关资料的继续深入，对假期中的相关工作进行了整理，并完善了GAN的汇报PPT，于周三下午做了相关汇报；另一方面，通过对代码的运行以及参数更改测试，完成了10次迭代运行，通过结果的对比，得到的效果还不错，从视觉的角度，感觉参数更正的方向是正确的。 本周问题 怎样利用数据说明，DCGAN代码的生成模型是效果如何？目前此问题无果，正在探寻中··· 下周计划 1. 关于音频方面的代码，跑起来，看看效果怎么样； 2. 就GAN的发展方向以及目前成效，思考具体细化到应用，该是如何？ ...