生成式视觉模型原理与实践 教学大纲

《生成式视觉模型原理与实践》课程教学大纲一、课程基本信息课程学时及分配总学时理论学时实践学时32248适用专业人工智能、统计学以及其他相关专业先修课程线性代数、概率统计、矩阵论、信息论、Python程序设计、数据结构与算法、机器学习、计算机视觉与模式识别、神经网络与深度学习、自然语言处理课程简介课程基本定位：本课程以生成式模型的基础理论与经典架构为核心，深入解析其技术脉络；同时紧贴产业前沿，精选文娱、医疗、遥感等多领域案例，让学生在真实场景中体会生成式AI的落地价值。通过系统学习，学生将不仅夯实技术根基，更能洞悉其对产业升级的驱动作用，成长为面向未来的复合型AI人才。核心学习结果：完成本课程后，学生将燃起对生成式人工智能的持久热情，系统回顾其演进脉络与最新进展；在透彻掌握核心理论与经典模型的基础上，熟练运用主流深度学习框架搭建并优化基础生成式模型，从而具备将生成式AI真正转化为产业级解决方案的实战能力。主要教学方法：本课程采用理论授课和上机实验相结合的方式进行教学。理论学习以讲授、讨论、案例分析、演示等教学手段进行，并融入产业案例，帮助学生理解机器学习模型与对应最优化算法与实际生产、生活的联系。上机实验时，要求学生编程实现指定生成式模型，并解决来源于企业真实案例的实际问题，以提高学生的实战能力。二、理论教学内容章标题教学内容学时预期学习成果教学方式第1章生成式人工智能简介1.生成式人工智能概述0.5了解生成式人工智能的起源、现状和未来，激发学生学习生成式模型的兴趣，为后续的学习打好基础。讲授讨论案例演示2.生成式人工智能的发展历程、发展现状、未来方向0.54.生成式模型相关开发平台、软件的简介1第2章生成式建模的基础知识与评价指标1.生成式建模的基础知识1.5（1）掌握与生成式模型相关的数学与概率知识。（2）掌握生成式建模基本概念与根本目的、生成式模型的定义、常用评价指标等知识。讲授讨论演示3.生成式模型的评价指标0.5第3章变分自编码器1.降维与自编码器0.5掌握变分自编码器的基本概念、定义、典型模型结构，以及代码实现方式。讲授讨论案例演示2.隐变量模型0.53.变分自编码器的模型结构14.变分自编码器的损失函数与训练方法15.变分自编码器的编程实现方法0.5第4章生成对抗网络1.生成对抗网络的模型结构、损失函数、训练方法、理论分析2掌握生成对抗网络的基本概念、定义、典型模型结构、各种变种模型及其适用的应用场景。讲授讨论案例演示2.条件生成对抗网络模型结构、损失函数、训练方法、理论分析13.生成对抗网络的改进方式、变种模型、应用场景14.生成对抗网络的编程实现方法0.5第5章标准化流模型1.流模型的基础介绍1掌握流模型的基本概念、定义、典型模型结构，以及代码实现方式。讲授讨论案例演示2．流模型的构造方法23.流模型的变体14.流模型的编程实现方法0.5第6章扩散模型1.层级式变分自编码器1掌握扩散模型的基本概念、定义、典型模型结构，以及代码实现方式。讲授讨论案例演示2.扩散模型的扩散过程与加噪过程13.扩散模型的损失函数与训练方法24.扩散模型的改进方法与隐扩散模型15.扩散模型的编程实现方法0.5第7章实战案例分析1.常见应用场景介绍2掌握生成式模型的典型应用场景；通过分析实战案例，了解生成式模型如何在实际应用中发挥作用。讲授讨论案例演示2.实战案例分析，如风景照转油画、医疗影像中病变区域的分割、基于图像超清的遥感影像质量提升等。三、实践教学内容项目编号项目名称实验内容对应理论章节学时学生学习预期成果1环境部署与VAE实践1.部署深度学习环境，运行示例程序；2.编程实现VAE模型,能够在简单数据集上训练该模型；3.对生成结果进行定量评估。第2、3章2能够搭建深度学习软件环境，能够执行VAE模型的训练和推理2GAN模型实践1.编程实现GAN模型（如DCGAN与SNGAN）。2.在简单数据集上训练或推理相关模型；3.对生成结果进行定量评估。第2、4章2能够编程实现GAN模型，并能在简单数据集上进行训练与调试；会计算相关的定量评价指标。3标准化流模型与风格迁移实践1.编程实现标准化流模型，并能够在简单数据集上训练。2.对生成结果进行定量评估。3.编程实现针对图像风格迁移的生成模型，并在简单数据集上进行训练和推理。第2、5、7章2能够编程实现标准化流模型以及针对图像风格迁移的生成模型，并在简单数据集上进行训练或推理。4扩散模型实践1.编程实现DDPM模型，并能够在简单数据集上训练。2.对生成结果进行定