文献综述
1.介绍: 最近的研究表明，无监督的图像到图像（I2I）翻译取得了显著的成功。
然而，由于数据的不平衡性，学习不同领域的联合分布仍然是非常具有挑战性的。
虽然现有的模型可以生成逼真的目标图像，但很难保持源图像的结构。
此外，在多个领域的大数据上训练生成模型需要大量时间和计算机资源。
为了解决这些局限性，我们提出了一种新的图像到图像的转换方法，该方法通过微调stylegan2预训练模型来生成目标域的图像。
stylegan2模型适用于非平衡数据集上的无监督I2I翻译；当使用简单的微调技术时，它非常稳定，可以生成逼真的图像，甚至可以从有限的数据中正确地学习。
因此，在本文中，我们提出了新的方法来保持源图像的结构，并在目标域生成真实的图像。
2.背景和意义: 2014年，伊恩古德费罗（Ian Goodfello）在喝啤酒的时候想出了生成性对抗网络（GANs）的想法，他可能没想到这个领域发展得这么快。
使is-stuff发挥作用的算法被称为生成性对抗网络（这是编写GAN的漫长道路，对于那些仍停留在机器学习首字母缩写land中的人来说），在过去几年中，致力于使其发挥作用的创新比Facebook上的隐私丑闻还要多。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
