圖像生成對抗網(wǎng)絡(luò)的研究

圖像生成對抗網(wǎng)絡(luò)的研究GAN模型的工作原理與基本架構(gòu)生成器和判別器的設(shè)計(jì)方法和優(yōu)化策略評價(jià)GAN模型性能的指標(biāo)和方法GAN模型在圖像生成任務(wù)中的應(yīng)用和擴(kuò)展GAN模型在其他領(lǐng)域如文本生成、語音合成中的應(yīng)用和探索GAN模型的理論基礎(chǔ)和數(shù)學(xué)分析GAN模型的局限性和面臨的挑戰(zhàn)GAN模型未來的發(fā)展方向和研究熱點(diǎn)ContentsPage目錄頁GAN模型的工作原理與基本架構(gòu)圖像生成對抗網(wǎng)絡(luò)的研究GAN模型的工作原理與基本架構(gòu)生成器網(wǎng)絡(luò)：-生成器網(wǎng)絡(luò)是一個(gè)神經(jīng)網(wǎng)絡(luò)，負(fù)責(zé)生成新數(shù)據(jù)。-生成器網(wǎng)絡(luò)的輸入是一些隨機(jī)噪聲，輸出是生成的數(shù)據(jù)。-生成器網(wǎng)絡(luò)的目標(biāo)是學(xué)習(xí)如何生成與訓(xùn)練數(shù)據(jù)分布一致的數(shù)據(jù)。判別器網(wǎng)絡(luò)：-判別器網(wǎng)絡(luò)是一個(gè)神經(jīng)網(wǎng)絡(luò)，負(fù)責(zé)判斷給定的數(shù)據(jù)是真實(shí)數(shù)據(jù)還是生成數(shù)據(jù)。-判別器網(wǎng)絡(luò)的輸入是數(shù)據(jù)，輸出是一個(gè)二分類結(jié)果，表示數(shù)據(jù)是真實(shí)數(shù)據(jù)還是生成數(shù)據(jù)。-判別器網(wǎng)絡(luò)的目標(biāo)是學(xué)習(xí)如何盡可能準(zhǔn)確地判斷給定的數(shù)據(jù)是真實(shí)數(shù)據(jù)還是生成數(shù)據(jù)。GAN模型的工作原理與基本架構(gòu)對抗訓(xùn)練：-對抗訓(xùn)練是一種訓(xùn)練生成器網(wǎng)絡(luò)和判別器網(wǎng)絡(luò)的方法。-在對抗訓(xùn)練過程中，生成器網(wǎng)絡(luò)和判別器網(wǎng)絡(luò)相互競爭，生成器網(wǎng)絡(luò)試圖生成越來越真實(shí)的數(shù)據(jù)，而判別器網(wǎng)絡(luò)則試圖越來越準(zhǔn)確地判斷數(shù)據(jù)是真實(shí)數(shù)據(jù)還是生成數(shù)據(jù)。-對抗訓(xùn)練的目標(biāo)是讓生成器網(wǎng)絡(luò)生成的數(shù)據(jù)與訓(xùn)練數(shù)據(jù)分布一致，讓判別器網(wǎng)絡(luò)無法區(qū)分生成數(shù)據(jù)和真實(shí)數(shù)據(jù)。GAN模型的應(yīng)用：-GAN模型可以用于生成圖像、視頻、音樂、文本等各種類型的數(shù)據(jù)。-GAN模型可以用于數(shù)據(jù)增強(qiáng)，即通過生成新數(shù)據(jù)來擴(kuò)充訓(xùn)練數(shù)據(jù)集。-GAN模型可以用于數(shù)據(jù)合成，即通過生成新數(shù)據(jù)來創(chuàng)建新的數(shù)據(jù)集。GAN模型的工作原理與基本架構(gòu)GAN模型的發(fā)展趨勢：-GAN模型正在朝著生成更高質(zhì)量的數(shù)據(jù)、生成更復(fù)雜的數(shù)據(jù)類型、生成更可控的數(shù)據(jù)等方向發(fā)展。-GAN模型正在與其他機(jī)器學(xué)習(xí)技術(shù)相結(jié)合，用于解決各種新的問題。-GAN模型正在被應(yīng)用于各種新的領(lǐng)域，如醫(yī)療、金融、制造業(yè)等。GAN模型的前沿研究：-GAN模型的前沿研究主要集中在提高生成數(shù)據(jù)的質(zhì)量、生成更復(fù)雜的數(shù)據(jù)類型、生成更可控的數(shù)據(jù)等方面。-GAN模型的前沿研究還包括探索GAN模型在各種新領(lǐng)域的應(yīng)用。生成器和判別器的設(shè)計(jì)方法和優(yōu)化策略圖像生成對抗網(wǎng)絡(luò)的研究生成器和判別器的設(shè)計(jì)方法和優(yōu)化策略生成器和判別器的設(shè)計(jì)方法:1.生成器設(shè)計(jì)：生成器通常采用深度卷積神經(jīng)網(wǎng)絡(luò)，將隨機(jī)噪聲或其他輸入數(shù)據(jù)映射到目標(biāo)圖像。生成器設(shè)計(jì)中關(guān)鍵在于平衡生成圖像質(zhì)量和模型復(fù)雜度。2.判別器設(shè)計(jì)：判別器也通常采用深度卷積神經(jīng)網(wǎng)絡(luò)，用于區(qū)分生成圖像和真實(shí)圖像。判別器設(shè)計(jì)中關(guān)鍵在于提高其分類準(zhǔn)確性，同時(shí)避免過度擬合。3.生成器和判別器的優(yōu)化：生成器和判別器通過對抗訓(xùn)練進(jìn)行優(yōu)化。生成器旨在生成與真實(shí)圖像難以區(qū)分的圖像，而判別器旨在正確區(qū)分生成圖像和真實(shí)圖像。雙方通過競爭性學(xué)習(xí)不斷迭代優(yōu)化。優(yōu)化策略：1.損失函數(shù)設(shè)計(jì)：損失函數(shù)用于衡量生成器和判別器的性能。常用的損失函數(shù)包括二元交叉熵?fù)p失、均方誤差損失和相對熵?fù)p失等。損失函數(shù)設(shè)計(jì)對模型性能影響較大，需要根據(jù)具體任務(wù)選擇合適函數(shù)。2.訓(xùn)練技巧：為了穩(wěn)定GAN的訓(xùn)練過程并提高生成圖像質(zhì)量，通常會(huì)采用一些訓(xùn)練技巧，例如層歸一化、批量歸一化、梯度截?cái)唷⒆V歸一化等。這些技巧有助于緩解GAN訓(xùn)練中出現(xiàn)的梯度消失或爆炸問題，提高模型的穩(wěn)定性和性能。評價(jià)GAN模型性能的指標(biāo)和方法圖像生成對抗網(wǎng)絡(luò)的研究評價(jià)GAN模型性能的指標(biāo)和方法生成模型評價(jià)指標(biāo)1.生成圖像質(zhì)量：衡量生成圖像的視覺效果和細(xì)節(jié)豐富程度，常用指標(biāo)包括峰值信噪比(PSNR)、結(jié)構(gòu)相似性(SSIM)、感知哈希(PHash)等。2.生成圖像多樣性：評估生成圖像的多樣性，防止生成模型陷入模式崩潰，常用指標(biāo)包括Inception分?jǐn)?shù)、Frechet距離(FID)。3.生成圖像真實(shí)性：衡量生成圖像與真實(shí)圖像的相似程度，常用指標(biāo)包括人類評價(jià)、分類器判別準(zhǔn)確率等。判別模型評價(jià)指標(biāo)1.真實(shí)圖像識別準(zhǔn)確率：評估判別模型對真實(shí)圖像的分類準(zhǔn)確率，確保判別模型能夠準(zhǔn)確區(qū)分真實(shí)圖像和生成圖像。2.生成圖像識別準(zhǔn)確率：衡量判別模型對生成圖像的分類準(zhǔn)確率，反映判別模型對生成圖像的判別能力。3.判別模型魯棒性：評估判別模型對對抗樣本的魯棒性，即判別模型在面對對抗樣本時(shí)仍然能夠準(zhǔn)確地進(jìn)行分類。評價(jià)GAN模型性能的指標(biāo)和方法生成對抗網(wǎng)絡(luò)訓(xùn)練穩(wěn)定性評價(jià)指標(biāo)1.生成模型收斂速度：評估生成模型達(dá)到穩(wěn)定狀態(tài)所需的時(shí)間，衡量生成模型的訓(xùn)練效率。2.判別模型收斂速度：衡量判別模型達(dá)到穩(wěn)定狀態(tài)所需的時(shí)間，反映判別模型的訓(xùn)練效率。3.生成對抗網(wǎng)絡(luò)穩(wěn)定性：評估生成對抗網(wǎng)絡(luò)在訓(xùn)練過程中是否穩(wěn)定，防止生成對抗網(wǎng)絡(luò)陷入崩潰或出現(xiàn)模式崩潰。生成對抗網(wǎng)絡(luò)生成圖像質(zhì)量前沿指標(biāo)1.感知質(zhì)量指標(biāo)：基于人類視覺感知的指標(biāo)，如人類評價(jià)、感知哈希(PHash)。2.語義質(zhì)量指標(biāo)：基于圖像的語義信息，如分類器判別準(zhǔn)確率。3.結(jié)構(gòu)質(zhì)量指標(biāo)：基于圖像的結(jié)構(gòu)信息，如結(jié)構(gòu)相似性(SSIM)。評價(jià)GAN模型性能的指標(biāo)和方法生成對抗網(wǎng)絡(luò)生成圖像多樣性前沿指標(biāo)1.Inception分?jǐn)?shù)：基于Inception網(wǎng)絡(luò)的圖像多樣性評估指標(biāo)。2.Frechet距離(FID)：基于統(tǒng)計(jì)分布的圖像多樣性評估指標(biāo)。3.多樣性得分：基于圖像特征的多樣性評估指標(biāo)。生成對抗網(wǎng)絡(luò)訓(xùn)練穩(wěn)定性前沿指標(biāo)1.梯度懲罰：基于梯度信息評估訓(xùn)練穩(wěn)定性的指標(biāo)。2.譜歸一化：基于譜范數(shù)評估訓(xùn)練穩(wěn)定性的指標(biāo)。3.Wasserstein距離：基于Wasserstein距離評估訓(xùn)練穩(wěn)定性的指標(biāo)。GAN模型在圖像生成任務(wù)中的應(yīng)用和擴(kuò)展圖像生成對抗網(wǎng)絡(luò)的研究GAN模型在圖像生成任務(wù)中的應(yīng)用和擴(kuò)展1.高分辨率圖像生成是GAN模型在圖像生成任務(wù)中的一個(gè)重要應(yīng)用，可以生成具有視覺真實(shí)感和高細(xì)節(jié)的圖像。2.通過使用深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）來提取圖像特征，并利用這些特征來指導(dǎo)生成器生成高分辨率圖像，可以有效地提高圖像的質(zhì)量。3.最新進(jìn)展包括使用漸進(jìn)式生成和多尺度生成方法，可以生成分辨率高達(dá)8K甚至更高的高質(zhì)量圖像。任意風(fēng)格圖像生成：1.任意風(fēng)格圖像生成是指使用GAN模型將一張圖像的風(fēng)格轉(zhuǎn)移到另一張圖像上，從而生成具有不同風(fēng)格的圖像。2.這項(xiàng)技術(shù)可以用于藝術(shù)風(fēng)格轉(zhuǎn)換、圖像編輯和圖像合成等領(lǐng)域。3.最新進(jìn)展包括使用注意力機(jī)制和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）來更好地捕捉圖像的風(fēng)格特征，從而生成更加逼真的風(fēng)格化圖像。高分辨率圖像生成：GAN模型在圖像生成任務(wù)中的應(yīng)用和擴(kuò)展多模態(tài)圖像生成：1.多模態(tài)圖像生成是指使用GAN模型從多種數(shù)據(jù)源生成圖像，例如文本、音頻、視頻等。2.這項(xiàng)技術(shù)可以用于圖像字幕生成、語音合成、視頻生成等領(lǐng)域。3.最新進(jìn)展包括使用預(yù)訓(xùn)練的語言模型和多模態(tài)注意力機(jī)制來更好地融合多種數(shù)據(jù)源的信息，從而生成更加語義一致和視覺逼真的圖像。醫(yī)學(xué)圖像生成：1.醫(yī)學(xué)圖像生成是指使用GAN模型生成用于醫(yī)學(xué)診斷和治療的圖像，例如X射線圖像、CT掃描圖像、MRI掃描圖像等。2.這項(xiàng)技術(shù)可以用于疾病診斷、治療規(guī)劃和醫(yī)療教育等領(lǐng)域。3.最新進(jìn)展包括使用對抗性學(xué)習(xí)和數(shù)據(jù)增強(qiáng)技術(shù)來提高醫(yī)學(xué)圖像的質(zhì)量和真實(shí)性，從而有助于提高醫(yī)學(xué)診斷的準(zhǔn)確性和治療的有效性。GAN模型在圖像生成任務(wù)中的應(yīng)用和擴(kuò)展遙感圖像生成：1.遙感圖像生成是指使用GAN模型從衛(wèi)星或飛機(jī)拍攝的遙感圖像中生成新的圖像，例如土地覆蓋圖、植被覆蓋圖、地表溫度圖等。2.這項(xiàng)技術(shù)可以用于環(huán)境監(jiān)測、資源勘探和災(zāi)害評估等領(lǐng)域。3.最新進(jìn)展包括使用超分辨率技術(shù)和多尺度生成方法來提高遙感圖像的分辨率和質(zhì)量，從而有助于提高遙感數(shù)據(jù)分析的準(zhǔn)確性和效率。其他應(yīng)用：1.GAN模型還在其他領(lǐng)域有著廣泛的應(yīng)用，例如圖像修復(fù)、圖像超分辨率、圖像編輯、圖像壓縮、圖像加密等。2.在這些領(lǐng)域中，GAN模型可以有效地生成逼真的圖像，增強(qiáng)圖像的質(zhì)量，提高圖像處理的效率，并保護(hù)圖像的安全。GAN模型在其他領(lǐng)域如文本生成、語音合成中的應(yīng)用和探索圖像生成對抗網(wǎng)絡(luò)的研究GAN模型在其他領(lǐng)域如文本生成、語音合成中的應(yīng)用和探索1.GAN模型能夠生成與人類語言高度相似、具有真實(shí)語義的文本，目前，文本生成的主要任務(wù)包括文本合成、文本修訂和文本翻譯等，在信息生成和處理領(lǐng)域具有廣闊的應(yīng)用前景。2.GAN模型能夠有效地學(xué)習(xí)文本的潛在結(jié)構(gòu)，并將其映射到文本序列空間。文本生成中的GAN模型通常采用編碼器-解碼器結(jié)構(gòu)，其中編碼器將文本序列映射到潛在空間，解碼器將潛在空間的表示解碼為文本序列。3.GAN模型在文本生成領(lǐng)域取得了顯著的進(jìn)展，在自動(dòng)摘要、機(jī)器翻譯和文本修復(fù)等任務(wù)上表現(xiàn)優(yōu)異。語音合成1.GAN模型能夠生成逼真的語音，其語音質(zhì)量接近甚至優(yōu)于人類語音，這得益于GAN模型能夠有效地學(xué)習(xí)語音的潛在結(jié)構(gòu)，并將其映射到語音序列空間。2.GAN模型能夠有效地控制語音的音調(diào)、節(jié)奏和語調(diào)，這使得GAN模型在語音合成中具有廣泛的應(yīng)用前景，例如，GAN模型可以用于語音克隆、語音合成、語音轉(zhuǎn)換和語音增強(qiáng)等任務(wù)。3.GAN模型在語音合成領(lǐng)域取得了顯著的進(jìn)展，在語音質(zhì)量、自然度和表達(dá)力方面取得了顯著的提升。文本生成GAN模型在其他領(lǐng)域如文本生成、語音合成中的應(yīng)用和探索音樂生成1.GAN模型能夠生成高質(zhì)量的音樂，其中包括旋律、和聲、節(jié)奏和音色等，并且GAN模型能夠生成不同風(fēng)格的音樂，例如，古典音樂、流行音樂、爵士音樂等。2.GAN模型能夠有效地學(xué)習(xí)音樂的潛在結(jié)構(gòu)，并將其映射到音樂序列空間。這使得GAN模型能夠生成連貫且和諧的音樂。3.GAN模型在音樂生成領(lǐng)域取得了顯著的進(jìn)展，并且在音樂創(chuàng)作、音樂教育和音樂娛樂等領(lǐng)域具有廣闊的應(yīng)用前景。圖像編輯1.GAN模型能夠?qū)D像進(jìn)行編輯，包括圖像增強(qiáng)、圖像修復(fù)和圖像風(fēng)格轉(zhuǎn)換等。GAN模型能夠利用深度學(xué)習(xí)技術(shù)，學(xué)習(xí)圖像的潛在結(jié)構(gòu)，并對其進(jìn)行編輯，同時(shí)保持圖像的真實(shí)感和一致性。2.GAN模型在圖像編輯領(lǐng)域取得了顯著的進(jìn)展，例如，在圖像超分辨率、圖像去噪、圖像修復(fù)和圖像風(fēng)格轉(zhuǎn)換等任務(wù)上表現(xiàn)優(yōu)異。3.GAN模型在圖像編輯領(lǐng)域具有廣闊的應(yīng)用前景，例如，圖像編輯、圖像處理、圖像增強(qiáng)等。GAN模型在其他領(lǐng)域如文本生成、語音合成中的應(yīng)用和探索醫(yī)療圖像生成1.GAN模型能夠生成逼真的醫(yī)療圖像，這使得GAN模型能夠用于醫(yī)療圖像合成、醫(yī)療圖像增強(qiáng)和醫(yī)療圖像診斷等任務(wù)。2.GAN模型能夠有效地學(xué)習(xí)醫(yī)療圖像的潛在結(jié)構(gòu)，并將其映射到醫(yī)療圖像序列空間。這使得GAN模型能夠生成與真實(shí)醫(yī)療圖像高度相似的圖像。3.GAN模型在醫(yī)療圖像生成領(lǐng)域取得了顯著的進(jìn)展，并且在醫(yī)療圖像合成、醫(yī)療圖像增強(qiáng)和醫(yī)療圖像診斷等任務(wù)上表現(xiàn)優(yōu)異。視頻生成1.GAN模型能夠生成逼真的視頻，這使得GAN模型能夠用于視頻合成、視頻編輯和視頻特效等任務(wù)。2.GAN模型能夠有效地學(xué)習(xí)視頻的潛在結(jié)構(gòu)，并將其映射到視頻序列空間。這使得GAN模型能夠生成連貫且逼真的視頻序列。3.GAN模型在視頻生成領(lǐng)域取得了顯著的進(jìn)展，并且在視頻合成、視頻編輯和視頻特效等任務(wù)上表現(xiàn)優(yōu)異。GAN模型的理論基礎(chǔ)和數(shù)學(xué)分析圖像生成對抗網(wǎng)絡(luò)的研究GAN模型的理論基礎(chǔ)和數(shù)學(xué)分析1.GAN模型由一個(gè)生成器和一個(gè)判別器組成，生成器負(fù)責(zé)生成假樣本，判別器負(fù)責(zé)判別樣本是真還是假，兩者的目標(biāo)相互對立，經(jīng)過多次對局后，生成器生成的假樣本能夠以假亂真，判別器無法區(qū)分真假樣本。2.GAN模型的目標(biāo)函數(shù)是一個(gè)最小-最大目標(biāo)函數(shù)，生成器的目標(biāo)是最小化目標(biāo)函數(shù)的值，判別器的目標(biāo)是最大化目標(biāo)函數(shù)的值，當(dāng)兩者的目標(biāo)都達(dá)到平衡時(shí)，模型達(dá)到最優(yōu)。3.GAN模型的訓(xùn)練過程是一個(gè)對抗過程，生成器和判別器不斷競爭，互相學(xué)習(xí)，最終生成器生成的樣本質(zhì)量不斷提高，判別器的判斷能力也不斷增強(qiáng)。GAN模型的訓(xùn)練技巧：1.判別器先優(yōu)訓(xùn)練：為了防止生成器過度擬合訓(xùn)練數(shù)據(jù)，在訓(xùn)練GAN模型時(shí)，通常先對判別器進(jìn)行預(yù)訓(xùn)練，然后再對生成器和判別器進(jìn)行聯(lián)合訓(xùn)練。2.梯度懲罰：為了防止生成器和判別器出現(xiàn)梯度消失或梯度爆炸的情況，在訓(xùn)練GAN模型時(shí)，可以對生成器和判別器應(yīng)用梯度懲罰，即對梯度的范數(shù)進(jìn)行懲罰。3.批標(biāo)準(zhǔn)化：為了穩(wěn)定GAN模型的訓(xùn)練過程，在生成器和判別器中應(yīng)用批標(biāo)準(zhǔn)化可以減少內(nèi)部協(xié)變量偏移，提高模型的訓(xùn)練速度和穩(wěn)定性。GAN模型的基本原理：GAN模型的理論基礎(chǔ)和數(shù)學(xué)分析1.圖像生成：GAN模型在圖像生成領(lǐng)域取得了驚人的成就，可以生成逼真的圖像，如人臉、風(fēng)景、動(dòng)物等。2.圖像編輯：GAN模型可以用于圖像編輯，如圖像增強(qiáng)、圖像風(fēng)格轉(zhuǎn)換、圖像超分辨率等。3.圖像翻譯：GAN模型可以用于圖像翻譯，即把一幅圖像轉(zhuǎn)換成另一種風(fēng)格或內(nèi)容的圖像。GAN模型的研究進(jìn)展：1.WassersteinGAN：原始GAN模型存在訓(xùn)練不穩(wěn)定的問題，WassersteinGAN通過使用Wasserstein距離作為判別器的目標(biāo)函數(shù)來解決這個(gè)問題，提高了模型的訓(xùn)練穩(wěn)定性。2.條件GAN：條件GAN在GAN模型的基礎(chǔ)上加入了條件信息，使得生成器能夠根據(jù)條件信息生成特定的樣本。3.深度GAN：深度GAN將深度學(xué)習(xí)模型應(yīng)用于GAN模型，使得模型能夠生成更加復(fù)雜的樣本。GAN模型的應(yīng)用：GAN模型的理論基礎(chǔ)和數(shù)學(xué)分析GAN模型的局限性：1.訓(xùn)練不穩(wěn)定：GAN模型的訓(xùn)練過程是不穩(wěn)定的，很容易出現(xiàn)模式崩潰或梯度消失等問題。2.生成樣本當(dāng)多樣性低：GAN模型生成的樣本往往缺乏多樣性，容易出現(xiàn)重復(fù)或相似樣本。3.計(jì)算成本高：GAN模型的訓(xùn)練需要大量的計(jì)算資源，特別是當(dāng)生成高分辨率圖像時(shí)。GAN模型的發(fā)展趨勢：1.多模態(tài)生成：GAN模型正在朝著多模態(tài)生成的方向發(fā)展，即生成器能夠根據(jù)條件信息生成多種不同的樣本。2.隱私保護(hù)：GAN模型正在被用于隱私保護(hù)，如生成合成數(shù)據(jù)來保護(hù)個(gè)人隱私。GAN模型的局限性和面臨的挑戰(zhàn)圖像生成對抗網(wǎng)絡(luò)的研究GAN模型的局限性和面臨的挑戰(zhàn)GAN模型的不穩(wěn)定性1.梯度消失問題：當(dāng)生成器和判別器之間存在較大的差距時(shí)，生成器的梯度可能變得非常小，導(dǎo)致生成器無法有效地更新。2.模式崩潰問題：GAN模型有時(shí)會(huì)產(chǎn)生模式崩潰現(xiàn)象，即生成器只生成少數(shù)幾種類型的圖像，而忽略其他類型的圖像。3.訓(xùn)練困難問題：GAN模型的訓(xùn)練過程通常非常困難，需要仔細(xì)調(diào)整超參數(shù)和訓(xùn)練策略才能獲得良好的結(jié)果。GAN模型的生成圖像質(zhì)量問題1.圖像質(zhì)量不佳：GAN模型生成的圖像有時(shí)質(zhì)量不佳，可能存在模糊、失真或不連貫等問題。2.多樣性不足：GAN模型生成的圖像有時(shí)缺乏多樣性，可能只生成少數(shù)幾種類型的圖像。3.生成圖像不真實(shí)：GAN模型生成的圖像有時(shí)看起來不真實(shí)，或者與真實(shí)圖像存在明顯的差異。GAN模型的局限性和面臨的挑戰(zhàn)1.生成圖像的用途有限：GAN模型生成的圖像通常只能用于生成藝術(shù)作品或娛樂目的，難以用于實(shí)際應(yīng)用。2.生成圖像