陆萍，董虎胜

（苏州经贸职业技术学院，苏州215009）

0 引言

使用计算机自动生成具有真实视觉效果的图像近年来逐渐成为了计算机视觉领域中一个新的研究热点。随着深度学习模型在计算机视觉领域中的应用日益广泛，基于深度模型的自动图像合成受到了越来越多的关注。通过使用深度模型强大的学习能力，可以有效地挖掘数据中的内在分布规律，从而生成具有类似分布的图像。这些生成的图像能够应用于图像的自动合成、不同年龄段的人脸图像预测、获得艺术效果图片等不同的场景中。另外，高质量的生成图像还可以用来扩充数据集中的图像数据量，在一定程度上缓解深度学习模型训练时的大量训练样本需求。

当前在图像的自动生成研究中，主要都是采用了基于对抗生成网络（Generative Adversarial Net，GAN）的思想，通过判别器（Discriminator）与生成器（Generator）的博弈达到平衡，捕捉数据的内在分布。在分别使用深度卷积网络（Deep Convolutional Neural Network）和深度反卷积网络（Deep Transpose Convolutional Neural Network）作为GAN 模型中的判别器与生成器时，即获得了深度卷积生成对抗网络（Deep Convolutional Generative Adversarial Network，DCGAN）。本文基于DCGAN创建了图像的生成模型，并在CelebA 数据集上进行了测试，实验结果表明该模型具有良好的图像生成效果。

1 GAN模型结构

在GAN 模型中包含了两个最基本的模型，一个是生成器G，另一个是判别器D，通过这两个基本模型的相互博弈来实现学习数据内在分布的目标。生成器G不断地学习训练集中真实数据的概率分布，将输入的随机噪声数据转化为可以以假乱真的样本；……