导读:本文包含了人脸图像合成论文开题报告文献综述及选题提纲参考文献，主要关键词:人脸图像合成,人脸图像分析,自省对抗学习,变分表达学习
人脸图像合成论文文献综述
黄怀波[1]（2019）在《基于生成模型的人脸图像合成与分析》一文中研究指出人脸图像合成与分析是近年来机器学习和计算机视觉领域最热门的研究方向之一。随着深度学习技术的发展,人脸图像合成与分析技术取得了巨大突破。例如,当前人脸图像合成算法①经可以合成肉眼难辨真假的高清人脸图像,人脸图像分析中的人脸识别算法也已经在很多场景下超越了人类的准确率。人脸图像合成与分析技术已经广泛地进入社会各领域,成为关系国计民生的重要技术。然而,目前的人脸图像合成与分析算法在理论和应用上仍然面临着许多挑战和问题。比如,高分辨率人脸图像合成仍然是一个相对困难的任务,人脸图像的条件合成和编辑也面临着可控性和多样性的问题,人脸分析技术在非受控场景下的鲁棒性仍远远落后于人类,低质量人脸图像的复原和分析也需要继续研究。针对这些挑战,本文以生成模型为基础,从高清人脸图像合成、人脸图像条件合成与分析,和人脸图像复原叁个方面对人脸图像合成与分析技术展开研究。本文取得的主要研究成果如下:1.提出了一种自省变分自编码器模型,用来合成包括人脸图像在内的高分辨率真实图像。该模型具有类似人类的自省能力,可以自己估计生成样本和真实数据之间的差异并作出改进。它为变分自编码器提供了一种全新的训练方法,以自省的方式联合训练推断网络和生成网络。在训练过程中,对于真实数据,采用标准变分自编码器的变分下界目标函数来同时对推断网络和生成网络的参数进行优化;对于生成样本,推断网络和生成网络分别最小化和最大化其对应的近似后验与先验之间的KL散度,通过最小化最大化博弈来学习数据先验知识。该模型一方面不需要引入额外的判别器,对抗学习发生在变分自编码器内部,从而简化了网络结构;另一方面,使用单阶段而非多阶段的方式训练高分辨率图像模型,简化了训练复杂度。实验表明,该模型结合了变分自编码器和生成对抗网络的优点,既能进行稳定的训练,也能学习到良好的流形表达,同时可以合成高分辨率的清晰图像(比如1024 × 1024像素大小的CelebA人脸图像)。2.提出了两种基于变分表达的人脸图像合成与分析算法,即解耦判别变分自编码器模型和基于解耦变分表达的异质人脸识别方法。第一种模型将变分自编码器的隐变量分解为一系列变分语义单元,每一个单元都和某个特定的人脸属性关联。当某个属性标签为正时,最小化其对应变分语义单元关于给定先验分布的KL散度;当该标签为负时,则最大化其对应的KL散度。通过这种方式,将每一个变分语义单元与特定的人脸属性关联起来,使得模型既可以预测人脸属性,又可以根据属性标签控制人脸合成。另外,该模型通过引入互信息最小化来对这些单元进行解耦,通过引入自省对抗来提高生成图像的质量。实验表明,该模型既可以学习到鲁棒的特征,提高人脸属性预测的准确率,又能够实现准确的属性合成,提高人脸属性合成的可解释性和多样性。第二种方法是一种基于解耦变分表达的异质人脸识别方法。该方法将异质人脸数据建模为域不变的身份信息和域相关的变化信息。通过变分自编码器的变分下界来优化近红外和可见光的近似后验,可以学习到解耦的变分表达。另外,通过均值差异最小化来约束不同域之间的身份信息,利用相关对齐约束来进一步减小域差异,可以学习到更加紧凑且具有判别性的特征表达。实验表明,该方法可以在训练数据有限的情况下,通过合成新的近红外和可见光样本,提高异质人脸识别的精度。3.提出了叁种基于小波变换的人脸图像复原方法,即小波域超分辨率卷积神经网络、小波域超分辨率生成对抗网络和小波域深度变焦网络。第一种方法首次将小波变换和卷积神经网络结合,将图像超分辨率问题转化为深度学习框架下的小波系数预测问题。通过使用小波域损失函数来优化小波域卷积神经网络,该方法可以在保持人脸图像全局拓扑信息不变的情况下恢复丰富的纹理细节。第二种方法将小波域人脸超分辨率方法从卷积神经网络扩展到生成对抗网络,同时使用小波域对抗损失函数和身份保持损失函数来分别产生更加真实的小波系数和恢复身份信息。实验表明,该方法不仅可以合成更加真实的人脸图像,而且能够显着提高低分辨率人脸的识别精度。第叁个工作针对更一般的人脸图像复原问题,对小波域方法做出了进一步的改进。该工作首先建立了一个由手机和数码相机成对采集的大规模深度变焦人脸数据集,通过真实的低质量图像而非模拟退化图像对人脸图像复原模型进行训练。其次,提出小波域深度变焦网络,进一步挖掘不同频段小波之间的共享信息来恢复更多的纹理细节,同时引入人脸结构先验来克服数据非严格对齐的问题。实验表明,利用深度变焦人脸数据集训练的小波域深度变焦网络,可以显着提高对真实场景采集的低质量人脸图像复原的鲁棒性。(本文来源于《中国科学院大学(中国科学院人工智能学院)》期刊2019-06-01）
马佳欣[2]（2019）在《基于深度学习的人脸正面图像合成方法的研究与实现》一文中研究指出很多场景下,正面人脸图像是判别人物身份的唯一标准,然而在非受控环境中很难采集到标准的正面人脸图像。人脸转正技术有助于提高实际生活中人物身份识别的效率,同时也弥补了当前人脸识别方法在多角度侧脸下的缺陷。由于人脸的非刚体特性,在人脸转角的过程中,从侧脸到正脸的映射具有高度的非线性特点。深度学习方法能很好的学习到图像的非线性特点。其中,自编码网络和生成对抗网络是深度学习中两个有效的生成模型。自编码网络通过提取图像特征并还原的方式来学习特征,但存在生成图片不清晰的缺点。而生成对抗网络通过博弈的方式促使生成器学习图片特征,但是收敛速度比较慢。本文基于深度学习中的两大生成网络,提出了一种针对多种偏转角度下的人脸转正模型。该模型结合了自编码器和生成对抗网络的优势,并通过深度学习方法添加了人脸角度的信息,提高了多角度情况下的人脸转正效果。论文的主要工作包括两个方面:首先,本文提出了一种针对多种人脸侧面转角的人脸转正模型-姿态加权生成对抗网络,它增加了一个预先训练的姿势认证模块来学习面部姿势信息。对于单张输入图像,本模型将侧脸提取的混合特征与姿态特征相结合。对于多张输入图像,本模型使用姿态信息和特征图像素跳跃度在融合特征时动态分配每张侧脸特征图的权重。本模型充分利用姿态信息,使生成网络更好地学习了侧脸图片中的人物身份特征,获得更好的生成效果。其次,基于此人脸转正模型,本论文设计并实现了多角度人脸转正系统。该系统主要包括侧脸转正模块、模型训练模块、人脸数据库模块和日志模块,可以实现单张或多张侧脸照片的人脸转正、人脸相似度匹配、多模型训练和人脸图库存储检索等功能。实验结果表明,姿态加权生成对抗网络可以有效的生成单张或者多张侧脸所对应人物正脸照片。并在多角度的情况下取得更加真实的生成效果,更好的保留了人物的身份特征,提高了人物侧脸的识别效率。(本文来源于《北京邮电大学》期刊2019-06-01）
阳策,李重,任义,刘恒[3]（2019）在《基于标准肤色的人脸图像纹理合成与叁维重建应用》一文中研究指出本文提出一种基于单幅人脸图像并结合标准肤色的人脸图像纹理合成和叁维重建算法.首先,利用ASM算法提取人脸特征点,并通过基于局部线性嵌入算法的编辑传播实现颜色转换,使图像人脸色调与叁维人脸模型标准肤色一致.接着,将人脸图像五官区域与标准肤色图进行泊松融合,并考虑眉毛遮挡情况,利用人脸对称性或眉毛模板还原眉毛.尤其对于半遮挡眉毛,采用Li模型和角点检测相结合的方法重建眉毛轮廓,得到最终人脸纹理图.最后通过纹理映射将人脸纹理图映射到叁维人脸模型上,得到较好的个性化叁维人脸重建效果.实验表明,本文算法能够适用于不同复杂背景和光照条件下拍摄的人脸图像,具有较快的处理速度,能够应用于人脸实时重建产品中.(本文来源于《计算机系统应用》期刊2019年05期）
柏邱建[4]（2019）在《基于深度学习的人脸图像衰老合成算法》一文中研究指出图像合成是计算机视觉领域的研究热点,人脸图像衰老合成属于图像合成中的风格迁移任务。传统的人脸图像衰老合成算法往往需要图像对或者图像序列作为训练样本,并且需要人工设计图像特征,因此算法的设计十分困难。由于条件生成对抗网络的提出,人脸图像与年龄的条件分布更加容易学习,并且合成图像的质量进一步提高。结合自编码器与生成对抗网络的人脸图像衰老合成算法能够利用编码器提取图像的特征,再使用条件生成对抗网络将特征映射到目标图像,实现人脸衰老任务。但是该类算法仍存在年龄准确度不高、网络结构复杂、身份信息丢失和高年龄段图像细节不丰富等问题。针对这些问题,本文分别使用以下方法进行改进:(1)针对合成图像年龄准确度不高的问题,基于聚类原理为编码器提取的图像特征增加聚类监督,使得编码器能够将相同身份的图片编码至相邻的空间,以滤除隐特征中与身份无关的干扰信息。同时对聚类损失的构造进行了详细的推导,并进行了相应的年龄估计与人脸识别实验以验证算法的有效性。实验结果表明,改进后的算法提高了合成图像年龄的准确性。(2)针对算法网络结构复杂,图像身份信息丢失的问题,本文使用了一种基于特征学习生成对抗网络的结构进行改进,同时引入了图像在特征空间的距离损失,该损失对图片的噪声不敏感,能够更好地保留身份信息,增加模型的鲁棒性。基于特征学习生成对抗网络的方法框架简洁,并且功能明确,训练过程稳定。实验结果证明该方法能提升人脸图像衰老合成的年龄准确度,同时更好地保留输入图像的身份信息。(3)针对高年龄段合成图像纹理细节不丰富的问题,尝试增加网络的复杂度,使用深度残差网络对人脸衰老任务进行探讨性实验。同时为了更好地保留身份信息,在范数损失的基础上,引入特征向量间的皮尔森相关系数损失。通过增强输入特征向量与输出特征向量的相关性,使得图像信息能够更好地保留。实验结果证明残差模块的引入,使得模型在高年龄段的年龄准确度得到提升;皮尔森相关系数损失的引入,可以帮助网络更好地保留身份信息。(本文来源于《电子科技大学》期刊2019-04-01）
彭春蕾[5]（2017）在《基于概率图模型的异质人脸图像合成与识别》一文中研究指出在现实生活中经常会接触到来自不同传感器的人脸图像,比如可见光条件下拍摄的照片、人像画家绘制的素描画像、近红外人脸图像和热红外人脸图像等。这些处于不同形态下的人脸图像统称为异质人脸图像。异质人脸图像识别在生物特征识别领域具有重要的研究意义和应用价值。例如,在刑事侦查中警方有时无法获得嫌疑人的清晰照片,但可根据有限的视频监控线索(往往伴随因分辨率过低导致嫌疑人照片模糊或者嫌疑人非正面视角等现象)和目击证人/受害人的描述由法医绘制出嫌疑人的素描画像,进一步来辅助鉴别嫌疑人的身份。这里如何将绘制的素描画像与公民照片数据库进行比对就是异质人脸图像识别旨在解决的重要问题之一。由于不同传感器成像机理不同,同一身份的异质人脸图像之间往往存在巨大的差异。传统人脸识别方法在异质人脸图像识别场景中只能获得较低的识别率,难以满足实际的应用需求。因此,本论文致力于针对异质人脸图像识别场景的特殊需求,以概率图模型为理论框架,提出一系列异质人脸图像合成和识别新方法。本文的主要创新性工作概括为:1.提出一种基于概率图模型和多特征表示的异质人脸图像合成方法。现有方法在对人脸图像进行特征提取时,只考虑像素值作为图像的唯一特征,导致合成结果易受到不同光照条件、背景颜色和肤色差异的干扰。考虑到人脸图像可以经由不同的图像滤波器处理,提取多种局部特征进行描述,提出一种基于概率图模型和多特征表示的异质人脸图像合成方法。该方法通过交替优化策略,自适应的学习在人脸图像各个块位置的多特征组合权值,从而实现对光照、背景和肤色鲁棒的异质人脸图像合成。实验结果表明,该方法可以有效的降低光照、背景和肤色对合成结果的干扰,并在真实场景下的法医素描画像数据上有较好的表现。2.提出一种基于概率图模型与超像素划分的异质人脸图像合成方法。现有的合成方法在对人脸图像进行分块时,只是采取简单的策略将图像划分成大小相等的矩形块,而忽略了人脸图像本身的结构信息。为了在图像分块阶段将人脸潜在的结构信息考虑进来,提出一种基于概率图模型与超像素划分的异质人脸图像合成方法。首先根据人脸图像本身的结构信息,将图像划分成形状和大小自适应的超像素块;随后对每个超像素块进行一定尺度的扩张,使得相邻超像素块之间具有一定比例的重迭区域,以减小合成结果的块效应;继而借助概率图模型进行建模,得到初步合成图像;最后通过两阶段的人脸合成框架进一步提高合成图像的质量。实验结果表明,该方法通过在图像分块阶段将人脸潜在的结构信息考虑进来,可以更好的合成人脸图像的细节。3.提出一种基于概率图模型表示的异质人脸图像识别方法。现有识别方法在对人脸图像进行特征提取时,往往忽略了图像的空间结构信息,然而图像本身的结构信息在人脸识别中具有重要的作用。针对上述不足,提出一种基于概率图模型表示的异质人脸图像识别方法。首先,将异质人脸图像分块后,基于概率图模型对图像块进行建模,结合人脸的空间结构信息提取概率图模型表示特征;然后,针对上述概率图模型表示特征,提出一种成对表示相似性度量矩阵,对异质人脸图像进行相似性度量和匹配。实验结果表明,该方法在多种异质人脸图像识别场景下均取得了更好的识别性能。4.提出一种基于稀疏概率图模型与判别分析的异质人脸图像识别方法。现有方法在运用概率图模型进行建模时,需要在每个块位置选择固定个数的个近邻图像块,而近邻参数的取值往往需要人为设定,并对算法性能具有很大的影响。针对上述问题,提出一种基于稀疏概率图模型与判别分析的异质人脸图像识别方法。首先,在概率图模型建模阶段跳过近邻选择步骤,把所有相关的图像块考虑进来,提取自适应稀疏的概率图模型表示特征;其次,为了应对人脸图像结构的复杂性和进一步提高算法的判别分析能力,设计一种基于人脸空域划分的判别分析框架。实验中本方法和已有方法相比,在多种异质人脸识别场景下均具有更好的表现。5.提出基于多画像的异质人脸识别场景,并给出具体的实验设计与基准算法验证结果。现有异质人脸图像识别方法主要针对单张图像的识别问题,然而在实际场景中往往可以得到同一目标的多张画像。考虑到上述情形,提出基于多画像的异质人脸识别场景。首先根据已有的画像数据类型,定义叁种具体的识别场景,并分别提供相应的实验设置标准和若干基准算法在各个场景中的表现。通过对实验结果的分析讨论,表明所提基于多画像的异质人脸识别问题具有一定的研究价值和挑战性,并包含众多待探索方向,值得将来开展进一步的研究。(本文来源于《西安电子科技大学》期刊2017-09-01）
于昕晔[6]（2017）在《异质人脸图像合成算法与系统》一文中研究指出图像是人类获取信息的重要来源,人脸画像作为一种图像形态,在公共安全方面和动漫娱乐方面具有重要的作用。人脸画像合成作为该领域的一个重要分支,在公共安全方面更是有重要的意义。人脸画像合成主要是通过机器学习等方法,利用人脸照片与画像之间的数学模型关系,进行照片与画像的互相转换。在刑事案件中,由于犯罪环境的限制,警方无法得到犯罪嫌疑人的真实照片,法医通过目击证人的描述而画出的犯罪嫌疑人的画像就是侦破案件的重要证据。在与公安部的公民数据库进行比对时,由于画像与数据库中的照片不是同一种图像形态,识别效果不好,降低了破案的效率,所以,将图像转换成同一种图像形态就是关键的一步。目前,大多数的人脸画像合成方法是基于像素合成或者基于特征合成的,本篇论文首先提出了一种基于自适应表示的人脸照片-画像合成方法,该方法使用人脸边缘检测和人脸关键点检测将人脸图像分成两个区域,分别是梯度较高的特征区域和梯度较低的平滑区域,图像不同区域使用不同的多重特征进行合成,其中多重特征是由不同的滤波器以及特征算子产生的不同的特征组合而成。在进行合成的时候,使用马尔科夫网络来说明相邻画像块之间约束关系。本文算法在人脸数据库(CUHK Student、AR、XM2VTS)上的实验结果以及客观评价(图像质量评价和人脸识别算法)上可以说明所提出方法的有效性与优越性。最后,本文搭建了“人脸照片-画像合成软件系统”,软件使用Microsoft Visual Studio 2010开发工具,以Qt作为软件界面的开发框架,在计算机视觉方面的处理上使用的是OpenCV库。该软件具有两个主要功能:人脸画像合成以及人脸照片合成。主要包含的子功能有:打开图片、自动对齐、手动对齐、开始合成、保存结果以及打印结果,还可以在合成的时候选择性别以及年龄。右侧为软件的显示区域,分为待合成图片显示区、合成结果显示区以及历史合成图片显示区。(本文来源于《西安电子科技大学》期刊2017-06-01）
郭帅磊[7]（2017）在《基于深度彩色图像的叁维人脸表情合成研究》一文中研究指出表情是人内心情绪的一种最直观的表达,因此通过人工合成不同的人脸表情可以实现表达人们不同心情的目的,而具有较高真实性的叁维人脸表情能够更加细致的模拟人的情绪表达。叁维人脸表情合成在影视特效制作、人机互动、游戏制作和视频会议等应用研究领域已经占有及其重要的地位。本文设计的叁维人脸表情合成方法主要分为叁部分,首先使用Kinect采集人脸的彩色和深度图像,采集之前本文对Kinect彩色相机和深度相机坐标进行标定,采集过程中对人脸进行识别跟踪并提取特征点坐标;然后选取FaceGen叁维人脸网格模型作为一般人脸,依据采集的人脸特征点坐标调整网格模型中特征点和非特征点坐标使其变为特定人脸的形状,本文使用OpenGL结合纹理线性插值方法将合成的全视角人脸纹理图像垂直映射到调整后的网格模型上生成特定叁维人脸;最后基于表情编码系统FACS中定义的人脸动作AU组合调整模型中的顶点,重新对叁维人脸模型进行纹理映射即可生成具有特定表情的叁维人脸。本文以作者脸部为原型进行叁维人脸建模,对建立的叁维人脸模型按用户选择可以合成6种不同的基本表情,包括喜悦、悲伤、惊奇、愤怒、恐惧、厌恶。本文所述方法最终合成的六种基本叁维人脸表情细节特征突出,与真实人脸表情具有较高的相似性,并且与基于人脸叁维扫描数据和动作捕捉技术的表情合成方法相比在时间效率上有了显着提高,综合分析对比本文方法与其他方法实验结果总结出本文设计方法合成叁维人脸表情的优点。(本文来源于《长春理工大学》期刊2017-03-01）
杨勃,马禄[8]（2016）在《基于形变模型的弱纹理人脸图像合成方法改进》一文中研究指出对弱纹理人脸图像进行合成处理,可以提高人脸图像的质量和真实感。在进行弱纹理人脸图像合成时,人脸图像因不同维度采样投影形成的纹理形变以及遮挡等问题造成合成的人脸图像扭曲变形,而传统的基于姿态估计算法是根据正常人脸图像姿态进行合成,在人脸图像扭曲变形的情况下,降低了人脸图像合成的效果。提出一种基于形变模型的弱纹理人脸图像合成方法,通过构建二维人脸形变模型,对缺失的人脸形状和纹理进行重构,利用平均二维形变模型对待合成图像的姿态参数进行计算,测试图像同模型实现匹配求解,分别重构测试人脸的叁维形状和纹理,并依据测试图像同重构二维人脸模型合成正面人脸图像。仿真结果表明,上述方法与传统方法相比,用于弱纹理人脸图像合成的效果较好,合成的人脸图像真实感强。(本文来源于《计算机仿真》期刊2016年09期）
方叁勇,周大可,曹元鹏,杨欣[9]（2015）在《基于姿态估计的正面人脸图像合成》一文中研究指出为对不同姿态下的人脸图像进行处理,提出一种基于姿态估计的正面人脸图像合成方法。利用统计建模的思想重构缺失的人脸形状和纹理。运用平均叁维模型估计测试图像的姿态参数,结合压缩感知理论构建形变模型。应用稀疏形变模型理论分别重构测试人脸的叁维形状和纹理,根据测试图像与重构模型生成正面人脸图像。实验结果表明,该方法能够由一幅姿态人脸图像合成出精确、自然的正脸图像,并具有较高的识别率。(本文来源于《计算机工程》期刊2015年10期）
王亚南,苏剑波[10]（2015）在《基于图像合成的多姿态人脸图像识别方法》一文中研究指出由于人脸图像的姿态变化会导致识别效果大幅下降,文中通过同一个人的多张多姿态人脸图像的融合图像识别该人身份.从几何信息与纹理信息两个层面进行融合,利用人脸图像的几何信息挑选待融合图像集合以保证人脸信息的完整性.在现有的通用人脸数据库的基础上,利用网络多姿态人脸图像测试组测试原始图像与融合图像的识别率,结果表明融合后的图像能获得更好的识别效果.(本文来源于《模式识别与人工智能》期刊2015年09期）
人脸图像合成论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
很多场景下,正面人脸图像是判别人物身份的唯一标准,然而在非受控环境中很难采集到标准的正面人脸图像。人脸转正技术有助于提高实际生活中人物身份识别的效率,同时也弥补了当前人脸识别方法在多角度侧脸下的缺陷。由于人脸的非刚体特性,在人脸转角的过程中,从侧脸到正脸的映射具有高度的非线性特点。深度学习方法能很好的学习到图像的非线性特点。其中,自编码网络和生成对抗网络是深度学习中两个有效的生成模型。自编码网络通过提取图像特征并还原的方式来学习特征,但存在生成图片不清晰的缺点。而生成对抗网络通过博弈的方式促使生成器学习图片特征,但是收敛速度比较慢。本文基于深度学习中的两大生成网络,提出了一种针对多种偏转角度下的人脸转正模型。该模型结合了自编码器和生成对抗网络的优势,并通过深度学习方法添加了人脸角度的信息,提高了多角度情况下的人脸转正效果。论文的主要工作包括两个方面:首先,本文提出了一种针对多种人脸侧面转角的人脸转正模型-姿态加权生成对抗网络,它增加了一个预先训练的姿势认证模块来学习面部姿势信息。对于单张输入图像,本模型将侧脸提取的混合特征与姿态特征相结合。对于多张输入图像,本模型使用姿态信息和特征图像素跳跃度在融合特征时动态分配每张侧脸特征图的权重。本模型充分利用姿态信息,使生成网络更好地学习了侧脸图片中的人物身份特征,获得更好的生成效果。其次,基于此人脸转正模型,本论文设计并实现了多角度人脸转正系统。该系统主要包括侧脸转正模块、模型训练模块、人脸数据库模块和日志模块,可以实现单张或多张侧脸照片的人脸转正、人脸相似度匹配、多模型训练和人脸图库存储检索等功能。实验结果表明,姿态加权生成对抗网络可以有效的生成单张或者多张侧脸所对应人物正脸照片。并在多角度的情况下取得更加真实的生成效果,更好的保留了人物的身份特征,提高了人物侧脸的识别效率。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
人脸图像合成论文参考文献
[1].黄怀波.基于生成模型的人脸图像合成与分析[D].中国科学院大学(中国科学院人工智能学院).2019
[2].马佳欣.基于深度学习的人脸正面图像合成方法的研究与实现[D].北京邮电大学.2019
[3].阳策,李重,任义,刘恒.基于标准肤色的人脸图像纹理合成与叁维重建应用[J].计算机系统应用.2019
[4].柏邱建.基于深度学习的人脸图像衰老合成算法[D].电子科技大学.2019
[5].彭春蕾.基于概率图模型的异质人脸图像合成与识别[D].西安电子科技大学.2017
[6].于昕晔.异质人脸图像合成算法与系统[D].西安电子科技大学.2017
[7].郭帅磊.基于深度彩色图像的叁维人脸表情合成研究[D].长春理工大学.2017
[8].杨勃,马禄.基于形变模型的弱纹理人脸图像合成方法改进[J].计算机仿真.2016
[9].方叁勇,周大可,曹元鹏,杨欣.基于姿态估计的正面人脸图像合成[J].计算机工程.2015
[10].王亚南,苏剑波.基于图像合成的多姿态人脸图像识别方法[J].模式识别与人工智能.2015