本书是一本使用深度学习生成图像和视频的实用指南。书中深入浅出地介绍了基于TensorFlow生成图像的基本原理。本书有三部分共10章，第一部分介绍使用TensorFlow生成图像的基本知识，包括概率模型、自动编码器和生成对抗网络（GAN）；第二部分通过一些应用程序案例介绍具体的图像生成模型，包括图像到图像转换技术、风格转换和人工智能（AI）画家案例；第三部分介绍生成对抗网络的具体应用，包括高保真面孔生成、图像生成的自我关注和视频合成。本书内容详尽、案例丰富，通过阅读本书，读者不仅可以理解基于TensorFlow生成图像的基本原理，还可以真正掌握图像生成的技能。本书适合图像处理、计算机视觉和机器学习等专业的本科生、研究生及相关技术人员阅读参考。

第1篇 TensorFlow生成图像的基本原理
第1章 开始使用TensorFlow生成图像
1.1 技术要求
1.2 理解概率
1.2.1 概率分布
1.2.2 预测置信度
1.2.3 像素的联合概率
1.3 用概率模型生成人脸
1.3.1 创建面孔
1.3.2 条件概率
1.3.3 概率生成模型
1.3.4 参数化建模
1.4 从零开始构建PixelCNN模型
1.4.1 自回归模型
1.4.2 PixelRNN
1.4.3 使用TensorFlow 2构建PixelCNN模型
1.5 本章小结
第2章 变分自编码器
2.1 技术要求
2.2 用自编码器学习潜在变量
2.2.1 编码器
2.2.2 解码器
2.2.3 构建自编码器
2.2.4 从潜在变量生成图像
2.3 变分自编码器
2.3.1 高斯分布
2.3.2 采样潜在变量
2.3.3 损失函数
2.4 用变分自编码器生成人脸
2.4.1 网络体系结构
2.4.2 面部重建
2.4.3 生成新面孔
2.4.4 采样技巧
2.5 控制面部属性
2.5.1 潜在空间运算
2.5.2 寻找属性向量
2.5.3 面部编辑
2.6 本章小结
第3章 生成对抗网络
3.1 技术要求
3.2 了解GAN的基本原理
3.2.1 GAN的架构
3.2.2 价值函数
3.2.3 GAN训练步骤
3.3 构建深度卷积GAN（DCGAN）
3.3.1 结构指南
3.3.2 建立Fashion-MNIST的DCGAN
3.3.3 训练我们的DCGAN
3.4 训练GAN的挑战
3.4.1 无信息损失和度量
3.4.2 不稳定性
3.4.3 梯度消失
3.4.4 模式崩塌
3.5 建立Wasserstein GAN（WGAN）
3.5.1 理解Wasserstein损失
3.5.2 实现1-Lipschitz约束
3.5.3 重组训练步骤
3.5.4 实施梯度惩罚（WGAN-GP）
3.5.5 调整CelebA的WGAN-GP
3.6 本章小结
第2篇 深度生成模型的应用
第4章 图像到图像的翻译
4.1 技术要求
4.2 条件GAN
4.2.1 实现条件DCGAN
4.2.2 条件GAN的变体
4.3 使用pix2pix进行图像翻译
4.3.1 丢弃随机噪声
4.3.2 U-Net作为生成器
4.3.3 损失函数
4.3.4 实现PatchGAN判别器
4.3.5 训练pix2pix
4.4 CycleGAN的非成对图像翻译
4.4.1 未配对的数据集
4.4.2 循环一致性损失
4.4.3 构建CycleGAN模型
4.4.4 分析CycleGAN
4.5 用BicycleGAN实现图像翻译多样化
4.5.1 理解体系结构
4.5.2 实现BicycleGAN
4.6 本章小结
第5章 风格迁移
5.1 技术要求
5.2 神经风格迁移
5.2.1 利用VGG提取特征
5.2.2 内容重构
5.2.3 用Gram矩阵重建风格
5.2.4 执行神经风格迁移
5.3 改进风格迁移
5.3.1 使用前馈网络进行快速风格迁移
5.3.2 不同的风格特征
5.3.3 使用归一化层控制风格
5.4 实时任意风格转换
5.4.1 实现自适应实例归一化
5.4.2 风格迁移网络架构
5.4.3 任意风格迁移训练
5.5 基于风格的GAN简介
5.6 本章小结
第6章 人工智能画家
6.1 技术要求
6.2 iGAN介绍
6.2.1 了解流形
6.2.2 图像编辑
6.3 基于GauGAN的分割图到图像的翻译
6.3.1 pix2pixHD介绍
6.3.2 空间自适应归一化（SPADE）
6.3.3 实际应用GauGAN
6.4 本章小结
第3篇 高级深度生成技术
第7章 高保真人脸生成
7.1 技术要求
7.2 ProGAN概述
7.2.1 像素归一化
7.2.2 使用小批量统计增加图像变化
7.2.3 均衡学习率
7.3 ProGAN的建立
7.3.1 生成器块的建立
7.3.2 判别器块的建立
7.3.3 逐步发展网络
7.3.4 损失函数
7.3.5 存在的问题
7.4 实际应用StyleGAN
7.4.1 风格化生成器
7.4.2 实现映射网络
7.4.3 添加噪声
7.4.4 AdaIN的实现
7.4.5 建造生成器块
7.4.6 StyleGAN的训练
7.5 本章小结
第8章 图像生成的自注意力机制
8.1 技术要求
8.2 谱归一化
8.2.1 了解谱范数
8.2.2 谱的归一化实现
8.3 自注意力模块
8.3.1 计算机视觉的自注意力
8.3.2 自注意力模块的实现
8.4 建立SAGAN
8.4.1 构建SAGAN生成器
8.4.2 条件批量归一化
8.4.3 构建判别器
8.4.4 训练SAGAN
8.5 实现BigGAN
8.5.1 缩放GAN
8.5.2 跳过潜在向量
8.5.3 共享类嵌入
8.5.4 正交归一化
8.6 本章小结
第9章 视频合成
9.1 技术要求
9.2 视频合成概述
9.2.1 理解人脸视频合成
9.2.2 DeepFake概述
9.3 实现人脸图像处理
9.3.1 从视频中提取图像
9.3.2 检测和定位人脸
9.3.3 面部特征的检测
9.3.4 面部对齐
9.3.5 面部扭曲
9.4 建立DeepFake模型
9.4.1 构建编码器
9.4.2 构建解码器