• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于生成對抗網(wǎng)絡的人臉灰度圖上色

    2018-07-28 07:19:12李炬
    電腦知識與技術(shù) 2018年11期
    關(guān)鍵詞:生成對抗網(wǎng)絡

    李炬

    摘要:生成對抗網(wǎng)絡給深度學習領(lǐng)域引入了一種新的模型訓練思想?;谶@種對抗生成的思想設(shè)計了一種人臉灰度圖上色模型, 其中包含一個特征圖尺寸不變的卷積神經(jīng)網(wǎng)絡作為生成器和兩方面代價函數(shù)。對整個網(wǎng)絡進行端到端的訓練, 以人臉灰度圖作為直接輸入, 在生成器的輸出端為三通道的彩色圖像, 在判別部分的輸出端給出生成圖像質(zhì)量的評價。實驗表明, 在一定的數(shù)據(jù)和迭代次數(shù)下所提方法是可行的, 所生成的圖像也能有效保留原灰度圖中的細節(jié)信息。

    關(guān)鍵詞:生成對抗網(wǎng)絡;生成器;判別器;人臉圖像;上色

    中圖分類號:TP183 文獻標識碼:A 文章編號:1009-3044(2018)11-0179-03

    Gray-Scale Face Images Colorization Based on Generative Adversarial Network

    LI Ju

    (Department of Information Science and Technology, Chengdu 611756, China )

    Abstract: Generative adversarial network has introduced a new training idea for deep learning. This work designed a model for colorization of gray-scale face images based on the idea of GAN. The model contains a convolutional network treated as generator with fixed size of feature maps and two aspects of cost functions. To achieve desired colorization, the model was trained end-to-end with gray-scale face images as input and extracted 3-channel colorful images at the output end of generator. Quality assessments for generated images can be obtained at the output end of discriminator. Experiments show that proposed method is practicable under a limited number of datum and iterations and generated images retaining effectively the details of input gray-scale images.

    Key words: generative adversarial network; generator; discriminator; face images; colorization

    彩色圖像比灰度圖像攜帶了更多的信息, 能使人類更清楚地觀察世界, 然而在很多情況下人們獲取的仍然是比較單一的灰度圖像。人類在眼睛和大腦的幫助下能輕松地推理出灰度圖像所對應的彩色圖像大致是什么樣的,但是對于計算機而言,要展示這種色彩推理能力并不那么容易。上色問題面對的現(xiàn)實情況復雜多樣。人們了解的某一類物體的顏色可能有多種, 例如人的皮膚可能呈現(xiàn)白色、黃色、黑色等;許多物體在灰度圖上的亮度值沒有太大的區(qū)別, 例如深藍色與紫色的服裝, 這使得很多上色成為多解的問題;一些物體的顏色幾乎是固定的色幾乎是固定的, 如藍色的海洋, 這又給出了色彩信息的約束條件。本文旨在利用深度學習技術(shù)對這一問題做一定探索。

    1 現(xiàn)狀分析

    近年來深度學習[1]技術(shù)被廣泛用于各種計算機視覺領(lǐng)域, 如圖像分類[2]、目標檢測[3]、語義分割[4]等。在深度學習的興起中, 卷積神經(jīng)網(wǎng)絡強大的特征提取能力發(fā)揮著重要的作用, 它使得需要對圖像進行語義理解的任務變得直接而有效。另外注意到許多使用卷積神經(jīng)網(wǎng)絡的問題之間具有一定的相關(guān)性, 例如目標追蹤需要對圖像上的物體進行識別與分類, 語義分割需要準確區(qū)分每個物體的邊緣, 這與邊緣檢測算法相關(guān)聯(lián)。最近的生成對抗網(wǎng)絡(Generative Adversarial Network, GAN)[5]在圖像生成領(lǐng)域引起極大關(guān)注, 受該框架的引導, 人們成功將其應用在圖像修復[6], 圖像翻譯[7]等領(lǐng)域?;谏疃葘W習一系列成功應用的啟發(fā), 本文設(shè)計了一種用于人臉灰度圖自動上色的新方案。

    1.1 上色方案介紹

    目前灰度圖像上色問題的研究已經(jīng)取得了許多進展, 主要有以下三類解決方案: 一類是基于手工標注的半自動化方案[8,9,10]。Levin[9]等提出在灰度圖不同物體中間標注少量顏色信息, 然后將標注的顏色填充某一物體所在的局部區(qū)域。這類方法會出現(xiàn)邊緣色彩混合現(xiàn)象, Huang[10]等提出了自適應邊緣檢測算法來緩解這個問題。第二類是基于樣本的方法[8,11,12]。首先尋找與待上色圖像內(nèi)容風格相似的圖像作為參考, 再找到參考圖像中與灰度圖相似的像素區(qū)域, 最后將參考圖像的像素信息轉(zhuǎn)移到灰度圖。以上兩種方案均難以實現(xiàn)快速上色, 手工標注以及參考圖像的檢索都需要耗費額外的人力。第三類為當前流行的深度學習算法[8,13,14]。處理上色問題時, 常見的做法是將問題轉(zhuǎn)化到其他顏色空間, 例如Lab顏色空間、HSV顏色空間等, 以灰度圖像作為深度神經(jīng)網(wǎng)絡的基本輸入數(shù)據(jù), 網(wǎng)絡的預測輸出為其他兩個通道的信息。Larsson[13]等提出以灰度圖作為輸入, 經(jīng)過VGG[15]網(wǎng)絡架構(gòu)的層層特征提取得到大量特征圖, 從特征圖中的選取一系列超列描述子(hypercolumn descriptor)[16], 將其作為后續(xù)全連接層的輸入, 最后給出像素點的色度與色調(diào)的分布并據(jù)此著色。Cheng[8]等在YUV空間處理上色問題, 通過灰度圖像提取特征描述子(feature descriptor), 將特征描述子作為深度神經(jīng)網(wǎng)絡的輸入數(shù)據(jù), 預測輸出U、V通道的色度值并對其進行雙邊濾波, 最后組合三通道信息得到處理后圖像。

    相比之前的算法, 基于深度學習算法以高達百萬計的圖像數(shù)據(jù)進行訓練, 加之卷積運算能有效進行特征提取, 以及多種防止過擬合技術(shù)[2,17,18]輔助, 使得訓練后的模型應對問題的多樣性上取得了很大進步, 并且在處理速度和適用范圍上也有更大的提升。本文基于GAN模型的基本思想, 直接輸出在RGB空間中的彩色圖像, 取得了不錯的視覺效果。下面介紹GAN的相關(guān)內(nèi)容。

    1.2 生成對抗模型

    2014年Ian J. Goodfellow等首次提出標準GAN模型[5]。該模型提出后受到了人們的廣泛關(guān)注, 近幾年相關(guān)的研究成果相當豐富。Mirza[21]提出的條件GAN能根據(jù)額外的標簽信息生成與之對應的手寫體數(shù)字圖像; Ledig等[22]提出利用 GAN 實現(xiàn)高分辨率圖像的生成; Yeh等[6]將其應用在圖像修復上取得了很好的結(jié)果。然而標準GAN模型面臨著難以訓練不穩(wěn)定、模型易崩塌等問題, Martin Arjovsky[19,20]針對這些問題進行了一定的理論分析, 提出的WGAN模型基本可緩解這些問題;

    標準GAN模型由生成器G和判別器D組成。G的常見結(jié)構(gòu)為反卷積(Deconvolution)[23] 網(wǎng)絡, 反卷積基于其運算特點又被稱為轉(zhuǎn)置卷積 (Transposed Convolution), 因此可以視其為一種特殊的卷積操作, 通過可學習的方式使特征圖逐漸增大。D為卷積神經(jīng)網(wǎng)絡, 主要通過多個卷積核提取輸入圖像的特征, 一般會使得隱藏層的特征圖逐漸縮小。GAN能捕獲真實數(shù)據(jù)的分布, 由生成器給出與真實數(shù)據(jù)類似分布的新數(shù)據(jù), 判別器主要用于區(qū)分G所生成的數(shù)據(jù)與真實數(shù)據(jù), 并在輸出端給出判別概率, 又可稱為判別損失, 且概率值越大說明判別器越認可判別器輸入數(shù)據(jù)的真實性。標準GAN基本模型結(jié)構(gòu)如圖1所示。

    圖1中z是分布為的隨機輸入向量, x是分布為真實數(shù)據(jù), G(z)為生成圖像。在訓練前, 生成器G和判別器D的性能都非常低。訓練時分兩階段, 第一階段首先更新判別器, 使其能區(qū)分生成數(shù)據(jù)與真實數(shù)據(jù); 第二階段更新生成器, 由于判別器具備一定的判別能力, 生成器輸出的低質(zhì)量數(shù)據(jù)會導致較低的損失, 該損失通過反向傳播可用于更新生成器, 但此階段不更新判別器參數(shù)。在多次迭代過程中, 判別損失交替更新G和D, 使G生成真實數(shù)據(jù)的性能和D的判別能力趨于同步提升。最終理想的均衡狀態(tài)為D無法區(qū)分生成圖像與真實數(shù)據(jù)。生成對抗網(wǎng)絡的目標函數(shù)定義為:

    另外, 一般情況下生成器與判別器的性能難以實現(xiàn)完全同步提升, 判別器更容易達到較高的判別性能, 因此式(1)的第二項在訓練早期將變得非常小, 為了提供足夠的梯度進行反向傳播, 實踐中可以將損失函數(shù)第二項替換為式(2)。

    2 本文上色方法

    本文方法基于生成對抗網(wǎng)絡的思想設(shè)計了人臉灰度圖上色模型, 模型結(jié)構(gòu)主要由生成器G和判別器D組成。G需要滿足兩方面要求: 1) 盡量保留灰度圖的全部信息, 2) 生成視覺上無法分辨真?zhèn)蔚牟噬珗D像。D也需要滿足兩方面要求: 1) 識別真實RGB圖像和生成圖像, 2) 指導G的生成過程。模型結(jié)構(gòu)如圖2所示, G中的數(shù)字表示卷積層輸出的特征圖數(shù)目。

    圖2中未標出反向傳播的方向, 生成器為特征圖尺寸不變的卷積層神經(jīng)網(wǎng)絡, 判別器參考自標準GAN模型。記G的輸入灰度圖像為, 對應的原始彩色圖像為X。由于訓練集灰度圖像經(jīng)由彩色圖像轉(zhuǎn)化而來, 為了滿足生成器的第一方面要求, 可以約束生成圖像和原始彩色圖像之間的距離, 這里我們選擇L2, 為了滿足生成器第二方面的要求, 可以引入判別器對生成圖像的判別損失作為質(zhì)量評價。由于L2在訓練階段的值遠大于式(1)中的判別損失, 因此可以對判別損失引入超參數(shù)λ以平衡兩類損失。對于判別器而言, 其輸入數(shù)據(jù)包括生成圖像和原始彩色圖像, 為將兩類圖像做相同的損失衡量, 也需要給判別器對原始彩色圖像的判別損失引入?yún)?shù)λ。綜上所述, 對于G和D各自的目標函數(shù)可以分別定義為:

    注意到在一些圖像生成類問題中都會采用自編碼器或其變體結(jié)構(gòu), 其中編碼部分主要進行卷積運算以達到下采樣和特征提取目的, 解碼部分使用轉(zhuǎn)置卷積達到上采樣和重建目的, 例如圖像分割[4]、圖像修復[24,25]等。這里沒有采納這種思路, 因為生成的圖像要盡可能保留灰度圖細節(jié)信息, 例如紋理, 邊緣等, 而以L2為損失函數(shù)的欠完備自編碼器則傾向于輸出邊緣模糊的圖像, 難以保留全部信息, 因此這里選擇的生成器為特征圖大小不變的卷積神經(jīng)網(wǎng)絡。當生成器的特征圖大小不變時, 在輸出端使得圖像的細節(jié)信息更難以丟失, 即便使用L2損失仍然可以保障這一點。需要說明的是, 如果僅僅使用L2作為損失函數(shù), 將使得生成器傾向于向輸出端直接傳遞圖像數(shù)據(jù), 網(wǎng)絡參數(shù)難以得到足夠的更新, 更不會學習到上色的經(jīng)驗。示例如圖4(a)所示, 其中第2行為網(wǎng)絡輸出, 第3行為真實圖像, 可以看到雖然L2損失能保留圖像細節(jié), 把握人臉圖像的主色調(diào), 但幾乎不能驅(qū)動網(wǎng)絡進行學習。這里上色模型的判別器恰好執(zhí)行了驅(qū)動生成器參數(shù)學習的功能, 正是由于生成器和判別的相互作用使得模型的性能逐漸提高。

    3 實驗分析

    本文所有的實驗均基于Caffe框架。核心實驗設(shè)備包括: GPU (GTX1050Ti) 、 CPU (i5-7500)、 8g內(nèi)存, 操作系統(tǒng)版本為Ubuntu14.04 LTS。實驗數(shù)據(jù)集為CelebA, 在訓練階段采用了前6萬張圖像, 測試階段采用了其他1000張圖像。在預處理階段將單通道灰度圖像轉(zhuǎn)化為3通道圖像, 沒有引入額外信息, 每幅圖進行了[0,1]范圍的歸一化, 圖像的寬度和高度均占64像素。

    所采用的模型如圖2所示。生成器主要由5個卷積塊實現(xiàn), 前4個卷積塊包括卷積層(步長為1)、批歸一化(BatchNorm-Scale)、以及整流線性單元(Rectified Linear Unit, ReLU), 第5個卷積塊包括卷積層和Sigmoid激活層輸出, 最后添加L2損失。判別器采用了文獻[5]的結(jié)構(gòu), 為了降低訓練負擔可以適當減少隱藏層的卷積核數(shù)目。為了應對GAN容易崩潰的問題, 需要盡量避免梯度值過大對參數(shù)的過度更新, 這里考慮了多種手段: 使用Sigmoid激活函數(shù), 其對大輸入值的反向傳播梯度具有很強的縮小作用; L2損失在靠近原點處的導數(shù)接近0, 這使得生成圖像接近于原彩色圖像時反向傳播避免提供過大梯度; 基本學習速率設(shè)為0.0001且保持固定。求解器類型設(shè)為ADAM, 動量參數(shù)為0.5, λ設(shè)為100。

    從實驗中觀察到, 判別器在訓練前期就能夠識別人臉圖像的基本色調(diào), L2損失也保證了灰度圖像的細節(jié)得到保留。在訓練時判別器不斷地學習經(jīng)驗以區(qū)分真實圖像與生成圖像, 并對生成器的生成性能起著指導作用。測試階段的成功案例如圖3所示, 樣本選自CelebA測試集合, 圖中第2行為生成器輸出, 第3行為原始彩色圖像??梢钥吹交趯股傻乃枷?, 利用兩種代價函數(shù)能使網(wǎng)絡學習到彩色圖像的特征, 并生成視覺上能以假亂真的彩色圖像。在實驗中還觀察到判別器試圖不斷調(diào)整生成圖像的邊緣部分和亮度不均勻區(qū)域的色彩, 使得這些區(qū)域的顏色不斷改變以達到合理的視覺效果, 但若調(diào)整出現(xiàn)重大偏差也會導致人臉圖像的關(guān)鍵部位出現(xiàn)偽影。此外GAN訓練的不穩(wěn)定特性會使得整個模型的性能處于持續(xù)波動中, 因此較慢的梯度更新有助于篩選更優(yōu)的模型。

    模型在常規(guī)情況下實現(xiàn)了有效的上色處理, 然而在面對灰度圖中復雜的亮度分布時仍顯的不夠完善, 尤其是針對側(cè)臉等相對不常見案例時, 失敗案例如圖4(b)所示。由于上色的過程主要由于判別器指導, 這里認為失敗的部分原因是判別器無法基于有限的特殊樣本判定復雜情況如何處理, 網(wǎng)絡沒有提取到足夠樣本的特征, 也沒有學習到應對復雜亮度分布時的處理辦法, 因此其會不斷指導生成器嘗試各種可能性, 但難以確保提供正確的上色方案。

    4 結(jié)束語

    本文在分析了GAN基本思想的基礎(chǔ)上, 設(shè)計了一種基于GAN的人臉灰度圖上色模型。模型包含兩方面代價函數(shù), 生成器的特征圖大小不變, 模型結(jié)構(gòu)簡單, 沒有過多的預處理過程, 且針對常規(guī)人臉灰度圖像上色效果可達以假亂真的程度。為進一步改善模型性能, 可以在視覺效果不受明顯影響的情況下, 適當壓縮生成器特征圖的大小, 以迫使生成器進行更進一步的表示學習, 還能降低內(nèi)存占用率。也可考慮增加數(shù)據(jù)的多樣以實現(xiàn)更廣泛的應用。在實驗中還發(fā)現(xiàn), 生成器部分越靠近輸出端需要的特征圖數(shù)目越大, 否則整個網(wǎng)絡易發(fā)生崩潰, 為了保證GAN的穩(wěn)定性, 可以考慮基于WGAN來進一步改進網(wǎng)絡模型。

    參考文獻:

    [1] Lecun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015, 521(7553):436.

    [2] Krizhevsky A, Sutskever I, Hinton G E. ImageNet classification with deep convolutional neural networks[C]// International Conference on Neural Information Processing Systems. Curran Associates Inc. 2012:1097-1105.

    [3] Ren S, He K, Girshick R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[C]// International Conference on Neural Information Processing Systems. MIT Press, 2015:91-99.

    [4] Long J, Shelhamer E, Darrell T. Fully convolutional networks for semantic segmentation[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2017, 39(4):640-651.

    [5] Goodfellow I J, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[C]// International Conference on Neural Information Processing Systems. MIT Press, 2014:2672-2680.

    [6] Yeh R A, Chen C, Lim T Y, et al. Semantic Image Inpainting with Deep Generative Models[J]. 2016.

    [7] Isola P, Zhu J Y, Zhou T, et al. Image-to-Image Translation with Conditional Adversarial Networks[J]. 2016:5967-5976.

    [8] Cheng Z, Yang Q, Sheng B. Deep Colorization[C]. The IEEE International Conference on Computer Vision (ICCV), 2015: 415-423.

    [9] Levin A, Lischinski D, Weiss Y. Colorization using optimization[J]. Acm Transactions on Graphics, 2004, 23(3):689-694.

    (下轉(zhuǎn)第191頁)

    (上接第181頁)

    [10] Huang Y C, Tung Y S, Chen J C, et al. An adaptive edge detection based colorization algorithm and its applications[C]// ACM International Conference on Multimedia, Singapore, November. DBLP, 2005:351-354.

    [11] Hertzmann A, Jacobs C E, Oliver N, et al. Image Analogies[J]. Inproceedings, 2001:327--340.

    [12] Welsh T, Ashikhmin M, Mueller K. Transferring color to greyscale images[J]. Acm Transactions on Graphics, 2002, 21(3):277-280.

    [13] Larsson G, Maire M, Shakhnarovich G. Learning Representations for Automatic Colorization[J]. 2016:577-593.

    [14] Zhang R, Isola P, Efros A A. Colorful Image Colorization[J]. 2016:649-666.

    [15] Simonyan K, Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition[J]. Computer Science, 2014.

    [16] Hariharan B, Arbelaez P, Girshick R, et al. Hypercolumns for object segmentation and fine-grained localization[J]. 2014:447-456.

    [17] Nair V, Hinton G E. Rectified linear units improve restricted boltzmann machines[C]// International Conference on International Conference on Machine Learning. Omnipress, 2010:807-814.

    [18] Ioffe S, Szegedy C. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift[J]. 2015:448-456.

    [19] Arjovsky M, Chintala S, Bottou L. Wasserstein GAN[J]. 2017.

    [20] Arjovsky M, Bottou L. Towards Principled Methods for Training Generative Adversarial Networks[J]. 2017.

    [21] Mirza M, Osindero S. Conditional Generative Adversarial Nets[J]. Computer Science, 2014:2672-2680.

    [22] Ledig C, Wang Z, Shi W, et al. Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network[J]. 2016:105-114.

    [23] Zeiler M D, Taylor G W, Fergus R. Adaptive deconvolutional networks for mid and high level feature learning[C]// International Conference on Computer Vision. IEEE Computer Society, 2011:2018-2025.

    [24] Pathak D, Kr?henbühl P, Donahue J, et al. Context Encoders: Feature Learning by Inpainting[J]. 2016:2536-2544.

    [25] Ishikawa H, Ishikawa H, Ishikawa H. Globally and locally consistent image completion[M]. ACM, 2017.

    猜你喜歡
    生成對抗網(wǎng)絡
    基于生成對抗網(wǎng)絡的研究綜述
    用于知識表示學習的對抗式負樣本生成
    計算機應用(2019年9期)2019-10-31 09:21:33
    基于衰減式生成對抗網(wǎng)絡的單幅圖像陰影去除
    計算機應用(2019年9期)2019-10-31 09:21:33
    高噪聲環(huán)境下的生成對抗網(wǎng)絡人機語音增強技術(shù)
    移動通信(2019年8期)2019-10-18 09:43:57
    基于生成對抗網(wǎng)絡的圖像盲去運動模糊算法
    軟件導刊(2019年8期)2019-10-15 02:21:53
    基于生成對抗網(wǎng)絡的地面新增建筑檢測
    計算機應用(2019年5期)2019-08-01 01:48:57
    基于注意力機制的行人軌跡預測生成模型
    計算機應用(2019年3期)2019-07-31 12:14:01
    基于GAN的圖像超分辨率方法研究
    軟件導刊(2019年6期)2019-07-08 03:41:08
    基于生成對抗網(wǎng)絡的深度學習能耗預測算法
    基于深度卷積生成對抗網(wǎng)絡模型的超分辨數(shù)據(jù)重建
    99久久精品国产亚洲精品| 高潮久久久久久久久久久不卡| 麻豆国产av国片精品| 久久九九热精品免费| 国产真实乱freesex| e午夜精品久久久久久久| 亚洲人成网站在线播| 久久久久精品国产欧美久久久| 精品熟女少妇八av免费久了| 一进一出抽搐动态| e午夜精品久久久久久久| 亚洲av电影不卡..在线观看| 欧美成人免费av一区二区三区| 日本精品一区二区三区蜜桃| 亚洲精品在线观看二区| 亚洲av成人不卡在线观看播放网| av在线蜜桃| 成人av一区二区三区在线看| 国产爱豆传媒在线观看| 日本与韩国留学比较| 亚洲欧美日韩无卡精品| 一a级毛片在线观看| 香蕉av资源在线| 有码 亚洲区| 免费观看人在逋| 国产精品 国内视频| 嫁个100分男人电影在线观看| 欧美3d第一页| 国内精品一区二区在线观看| 国产主播在线观看一区二区| 一夜夜www| av片东京热男人的天堂| 日韩国内少妇激情av| 人人妻人人澡欧美一区二区| 一个人免费在线观看电影| 亚洲欧美激情综合另类| 免费看光身美女| 国产野战对白在线观看| 亚洲av第一区精品v没综合| 国产亚洲欧美98| netflix在线观看网站| 日本免费一区二区三区高清不卡| 亚洲美女黄片视频| av欧美777| 97人妻精品一区二区三区麻豆| 精品电影一区二区在线| 日本免费一区二区三区高清不卡| ponron亚洲| 免费看a级黄色片| 亚洲精品成人久久久久久| 他把我摸到了高潮在线观看| 波多野结衣高清作品| 色综合站精品国产| 亚洲欧美日韩卡通动漫| 欧美黄色片欧美黄色片| 亚洲美女视频黄频| 国产精品久久久人人做人人爽| 国产精品,欧美在线| 欧美日韩中文字幕国产精品一区二区三区| 色吧在线观看| 久久精品综合一区二区三区| 99久久精品国产亚洲精品| 成人精品一区二区免费| 午夜免费成人在线视频| 色吧在线观看| 亚洲欧美一区二区三区黑人| 欧美在线一区亚洲| 精品久久久久久久毛片微露脸| 亚洲国产欧美人成| 亚洲欧美日韩卡通动漫| av女优亚洲男人天堂| 制服丝袜大香蕉在线| 日本五十路高清| 在线天堂最新版资源| 欧美三级亚洲精品| 婷婷六月久久综合丁香| 天堂动漫精品| 中亚洲国语对白在线视频| 99热6这里只有精品| 久久久久精品国产欧美久久久| 国内久久婷婷六月综合欲色啪| 日日夜夜操网爽| 国产精品99久久99久久久不卡| 两个人的视频大全免费| 日韩 欧美 亚洲 中文字幕| 亚洲精品粉嫩美女一区| 色播亚洲综合网| 热99re8久久精品国产| 欧美大码av| 午夜免费激情av| 国产精品三级大全| 麻豆国产97在线/欧美| 免费观看人在逋| 日韩亚洲欧美综合| 99久国产av精品| 国内精品久久久久精免费| 国产免费男女视频| 女同久久另类99精品国产91| 久久欧美精品欧美久久欧美| av国产免费在线观看| 一二三四社区在线视频社区8| 国产伦精品一区二区三区视频9 | 国产精品av视频在线免费观看| 国产精品免费一区二区三区在线| 日本精品一区二区三区蜜桃| 日本 欧美在线| e午夜精品久久久久久久| 色尼玛亚洲综合影院| 麻豆成人av在线观看| 高清日韩中文字幕在线| 非洲黑人性xxxx精品又粗又长| 亚洲中文日韩欧美视频| 国产一区二区在线观看日韩 | 看片在线看免费视频| 久久欧美精品欧美久久欧美| 母亲3免费完整高清在线观看| 亚洲国产中文字幕在线视频| 亚洲成人久久性| 琪琪午夜伦伦电影理论片6080| 欧美日韩福利视频一区二区| 看黄色毛片网站| 午夜福利高清视频| 精品一区二区三区视频在线观看免费| 欧美黄色片欧美黄色片| 人人妻人人澡欧美一区二区| av中文乱码字幕在线| 国内少妇人妻偷人精品xxx网站| 中文亚洲av片在线观看爽| 一区二区三区高清视频在线| 色在线成人网| 国产一区二区在线av高清观看| 国产不卡一卡二| 在线国产一区二区在线| 在线国产一区二区在线| 少妇高潮的动态图| 日韩欧美 国产精品| 日韩精品青青久久久久久| 国产精品av视频在线免费观看| 免费av毛片视频| 亚洲成av人片在线播放无| 国产精品98久久久久久宅男小说| 国产高潮美女av| 久久精品国产清高在天天线| 免费观看人在逋| 一进一出抽搐动态| 亚洲人成网站高清观看| 色老头精品视频在线观看| 99国产极品粉嫩在线观看| 精品国产美女av久久久久小说| 久久久久久久午夜电影| 一本久久中文字幕| 国产69精品久久久久777片| svipshipincom国产片| 国产色婷婷99| 黑人欧美特级aaaaaa片| 欧美+日韩+精品| 亚洲av二区三区四区| 一区二区三区高清视频在线| 国内揄拍国产精品人妻在线| 在线免费观看的www视频| 69av精品久久久久久| 桃色一区二区三区在线观看| 日日摸夜夜添夜夜添小说| 日本成人三级电影网站| eeuss影院久久| 国产精品精品国产色婷婷| 99精品久久久久人妻精品| 尤物成人国产欧美一区二区三区| 国产午夜精品论理片| 亚洲欧美日韩无卡精品| 成人性生交大片免费视频hd| 国语自产精品视频在线第100页| 国产精品久久久久久精品电影| 男女视频在线观看网站免费| 国产伦精品一区二区三区四那| 日本黄色视频三级网站网址| 亚洲七黄色美女视频| 狂野欧美激情性xxxx| 午夜日韩欧美国产| 色精品久久人妻99蜜桃| 亚洲aⅴ乱码一区二区在线播放| 啪啪无遮挡十八禁网站| 老司机午夜十八禁免费视频| 午夜视频国产福利| av福利片在线观看| 久久欧美精品欧美久久欧美| 国产免费av片在线观看野外av| 国产一区二区亚洲精品在线观看| 老鸭窝网址在线观看| 一级作爱视频免费观看| 欧美最黄视频在线播放免费| 免费av不卡在线播放| 精华霜和精华液先用哪个| 极品教师在线免费播放| 亚洲人与动物交配视频| 看免费av毛片| 国产视频一区二区在线看| 男女下面进入的视频免费午夜| 亚洲av电影在线进入| 99精品久久久久人妻精品| 欧美最黄视频在线播放免费| 国内少妇人妻偷人精品xxx网站| 老熟妇仑乱视频hdxx| 18禁美女被吸乳视频| 亚洲在线观看片| 少妇人妻一区二区三区视频| 桃红色精品国产亚洲av| 国产探花极品一区二区| a级毛片a级免费在线| 国产成人啪精品午夜网站| 两个人的视频大全免费| 国产成人影院久久av| 91九色精品人成在线观看| 久久中文看片网| 美女高潮的动态| 国产99白浆流出| 日日干狠狠操夜夜爽| 淫妇啪啪啪对白视频| 18禁黄网站禁片免费观看直播| 嫁个100分男人电影在线观看| 亚洲av中文字字幕乱码综合| 88av欧美| 亚洲第一电影网av| 亚洲国产精品sss在线观看| 青草久久国产| 亚洲色图av天堂| 色综合站精品国产| 天堂影院成人在线观看| 午夜a级毛片| 午夜激情福利司机影院| 亚洲一区二区三区色噜噜| 欧美激情在线99| 国产精品电影一区二区三区| 国产伦精品一区二区三区视频9 | 免费av观看视频| 丰满人妻一区二区三区视频av | 夜夜看夜夜爽夜夜摸| 少妇裸体淫交视频免费看高清| 精品人妻一区二区三区麻豆 | 18美女黄网站色大片免费观看| 日韩大尺度精品在线看网址| 国产精品一及| 亚洲avbb在线观看| 色在线成人网| 亚洲人成伊人成综合网2020| 人妻夜夜爽99麻豆av| 久久久久久久精品吃奶| 搞女人的毛片| 极品教师在线免费播放| 亚洲在线观看片| av在线蜜桃| 亚洲七黄色美女视频| 日本三级黄在线观看| 久久国产精品影院| 18禁美女被吸乳视频| 国产伦精品一区二区三区四那| avwww免费| 精品欧美国产一区二区三| 可以在线观看毛片的网站| 精品一区二区三区视频在线观看免费| 精品人妻1区二区| 久久久国产精品麻豆| 狂野欧美白嫩少妇大欣赏| 看片在线看免费视频| 波多野结衣高清无吗| 国产欧美日韩精品亚洲av| 亚洲国产色片| 国产精品一区二区免费欧美| 每晚都被弄得嗷嗷叫到高潮| 精品国产美女av久久久久小说| 国内毛片毛片毛片毛片毛片| 国产在视频线在精品| 日本成人三级电影网站| 久久中文看片网| 一级作爱视频免费观看| 一本精品99久久精品77| 精品不卡国产一区二区三区| 国产精品影院久久| 可以在线观看毛片的网站| 狠狠狠狠99中文字幕| tocl精华| 国产成人a区在线观看| 人妻夜夜爽99麻豆av| 丰满人妻一区二区三区视频av | 18禁裸乳无遮挡免费网站照片| 又爽又黄无遮挡网站| 国产亚洲精品综合一区在线观看| 欧美绝顶高潮抽搐喷水| 一区二区三区高清视频在线| 19禁男女啪啪无遮挡网站| 真人一进一出gif抽搐免费| 黑人欧美特级aaaaaa片| 在线天堂最新版资源| 久久精品综合一区二区三区| 最新在线观看一区二区三区| 久久久久国产精品人妻aⅴ院| 一级a爱片免费观看的视频| 男女视频在线观看网站免费| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 91麻豆av在线| 国产毛片a区久久久久| 国产精品,欧美在线| 熟女人妻精品中文字幕| 9191精品国产免费久久| 久久久久久久午夜电影| 一级毛片高清免费大全| www.999成人在线观看| 国产在视频线在精品| av欧美777| 国产精品久久久久久久久免 | 无遮挡黄片免费观看| 别揉我奶头~嗯~啊~动态视频| 婷婷精品国产亚洲av| 日本免费a在线| 成人精品一区二区免费| 综合色av麻豆| 国产亚洲精品av在线| 国产精品日韩av在线免费观看| 校园春色视频在线观看| 在线视频色国产色| 99久国产av精品| 国产野战对白在线观看| 欧美丝袜亚洲另类 | 久久九九热精品免费| 一本精品99久久精品77| 亚洲专区国产一区二区| 久久精品影院6| 首页视频小说图片口味搜索| av天堂中文字幕网| 国产精品爽爽va在线观看网站| 俺也久久电影网| 级片在线观看| 两个人的视频大全免费| 中文字幕熟女人妻在线| 人妻久久中文字幕网| 小说图片视频综合网站| 亚洲午夜理论影院| 国产男靠女视频免费网站| 欧美成人a在线观看| 美女被艹到高潮喷水动态| 欧美又色又爽又黄视频| 日日干狠狠操夜夜爽| 99热这里只有是精品50| 人妻夜夜爽99麻豆av| 亚洲av熟女| 免费观看精品视频网站| 18禁黄网站禁片免费观看直播| 免费搜索国产男女视频| 国产精品一区二区免费欧美| 亚洲乱码一区二区免费版| 操出白浆在线播放| 国产三级中文精品| 国产中年淑女户外野战色| 大型黄色视频在线免费观看| bbb黄色大片| 99久久久亚洲精品蜜臀av| 最近在线观看免费完整版| 国内精品美女久久久久久| 亚洲最大成人手机在线| 悠悠久久av| 久久久国产成人免费| 12—13女人毛片做爰片一| 最近在线观看免费完整版| 精品一区二区三区人妻视频| 麻豆国产av国片精品| 我的老师免费观看完整版| 麻豆国产av国片精品| 每晚都被弄得嗷嗷叫到高潮| 三级毛片av免费| 嫩草影视91久久| 在线免费观看不下载黄p国产 | 国产精品乱码一区二三区的特点| 偷拍熟女少妇极品色| 中文资源天堂在线| а√天堂www在线а√下载| 国产精品亚洲美女久久久| 香蕉丝袜av| 99国产精品一区二区三区| 18禁美女被吸乳视频| www日本在线高清视频| 国产伦人伦偷精品视频| 激情在线观看视频在线高清| 成人无遮挡网站| 在线天堂最新版资源| 免费观看的影片在线观看| 欧美日韩黄片免| 国产亚洲精品久久久com| 不卡一级毛片| 黄色片一级片一级黄色片| 一区二区三区高清视频在线| 久久久久国内视频| 国产av麻豆久久久久久久| 国产精品久久电影中文字幕| 一个人看视频在线观看www免费 | 色吧在线观看| 男人和女人高潮做爰伦理| 国产综合懂色| 女人高潮潮喷娇喘18禁视频| 亚洲欧美日韩卡通动漫| 变态另类成人亚洲欧美熟女| 欧美成狂野欧美在线观看| 日本黄色视频三级网站网址| 成人性生交大片免费视频hd| 人人妻人人澡欧美一区二区| 午夜福利成人在线免费观看| 国产私拍福利视频在线观看| 99精品在免费线老司机午夜| 欧美黑人欧美精品刺激| 法律面前人人平等表现在哪些方面| 日韩精品中文字幕看吧| 亚洲精品乱码久久久v下载方式 | 最新中文字幕久久久久| e午夜精品久久久久久久| 成人国产一区最新在线观看| 久久精品91无色码中文字幕| 国产探花极品一区二区| 淫秽高清视频在线观看| 欧美大码av| 色综合亚洲欧美另类图片| 性欧美人与动物交配| 精品人妻偷拍中文字幕| 亚洲五月婷婷丁香| 757午夜福利合集在线观看| 国产高清视频在线观看网站| 国产v大片淫在线免费观看| 精品人妻偷拍中文字幕| 嫩草影院入口| 免费av观看视频| 欧美黄色片欧美黄色片| 97超级碰碰碰精品色视频在线观看| 在线天堂最新版资源| 中文字幕熟女人妻在线| 啦啦啦观看免费观看视频高清| 午夜福利18| 给我免费播放毛片高清在线观看| 99久久精品一区二区三区| 他把我摸到了高潮在线观看| 久久精品国产99精品国产亚洲性色| 国产午夜福利久久久久久| 亚洲国产精品成人综合色| 香蕉久久夜色| 国产欧美日韩精品亚洲av| 亚洲第一电影网av| 搡老岳熟女国产| 国产淫片久久久久久久久 | 在线播放无遮挡| 欧美性猛交╳xxx乱大交人| 久久久久久久久中文| 亚洲精品国产精品久久久不卡| 欧美极品一区二区三区四区| 久久精品国产清高在天天线| 麻豆一二三区av精品| 欧美性感艳星| e午夜精品久久久久久久| 一区二区三区免费毛片| a级一级毛片免费在线观看| 免费电影在线观看免费观看| 亚洲第一欧美日韩一区二区三区| 激情在线观看视频在线高清| 国产精品爽爽va在线观看网站| 欧洲精品卡2卡3卡4卡5卡区| 国产男靠女视频免费网站| 一级作爱视频免费观看| 麻豆成人av在线观看| 18禁美女被吸乳视频| 好看av亚洲va欧美ⅴa在| 成年女人永久免费观看视频| 成人欧美大片| 国产黄a三级三级三级人| av黄色大香蕉| 精品乱码久久久久久99久播| 亚洲中文日韩欧美视频| 亚洲黑人精品在线| 成年女人看的毛片在线观看| 97超级碰碰碰精品色视频在线观看| 成人三级黄色视频| 真实男女啪啪啪动态图| 亚洲无线在线观看| 亚洲色图av天堂| 亚洲欧美日韩高清专用| 国产三级在线视频| 级片在线观看| 亚洲av电影在线进入| 欧美不卡视频在线免费观看| 麻豆国产av国片精品| 久久人人精品亚洲av| 高清在线国产一区| 九九热线精品视视频播放| 又黄又爽又免费观看的视频| 欧美色视频一区免费| 国产午夜精品久久久久久一区二区三区 | 在线观看日韩欧美| 亚洲18禁久久av| 亚洲精品国产精品久久久不卡| 亚洲av免费高清在线观看| 欧美日韩综合久久久久久 | 两人在一起打扑克的视频| 好男人电影高清在线观看| 成人性生交大片免费视频hd| 色哟哟哟哟哟哟| 欧美色视频一区免费| 身体一侧抽搐| 一本久久中文字幕| 午夜两性在线视频| 嫁个100分男人电影在线观看| h日本视频在线播放| 天天躁日日操中文字幕| h日本视频在线播放| 91在线精品国自产拍蜜月 | 九九热线精品视视频播放| 怎么达到女性高潮| 波多野结衣高清作品| 久久久久久久亚洲中文字幕 | 亚洲性夜色夜夜综合| 亚洲一区二区三区不卡视频| 欧美一区二区亚洲| 少妇熟女aⅴ在线视频| 一本一本综合久久| 精华霜和精华液先用哪个| 欧美一级a爱片免费观看看| 亚洲av电影在线进入| 亚洲专区国产一区二区| 一级黄片播放器| 久久久成人免费电影| 日日摸夜夜添夜夜添小说| 99国产精品一区二区蜜桃av| 欧美一区二区精品小视频在线| 97超级碰碰碰精品色视频在线观看| 男人舔女人下体高潮全视频| 国产精品野战在线观看| 老鸭窝网址在线观看| 在线观看av片永久免费下载| 亚洲精品乱码久久久v下载方式 | 亚洲最大成人中文| 午夜精品久久久久久毛片777| 婷婷精品国产亚洲av在线| 亚洲不卡免费看| 国产一区二区在线av高清观看| 国产免费男女视频| 毛片女人毛片| 搡老岳熟女国产| 亚洲欧美日韩高清在线视频| 国产精品女同一区二区软件 | 黑人欧美特级aaaaaa片| 亚洲 国产 在线| 老司机午夜十八禁免费视频| 亚洲自拍偷在线| 成人亚洲精品av一区二区| 精品国产美女av久久久久小说| 国产高清videossex| 长腿黑丝高跟| 国产伦精品一区二区三区四那| 国产伦精品一区二区三区视频9 | 亚洲精品一卡2卡三卡4卡5卡| 天天躁日日操中文字幕| 亚洲成人免费电影在线观看| 日韩欧美精品免费久久 | 久久欧美精品欧美久久欧美| 欧美中文日本在线观看视频| 精品久久久久久,| 桃色一区二区三区在线观看| 人人妻,人人澡人人爽秒播| 老司机午夜十八禁免费视频| 亚洲自拍偷在线| 人妻久久中文字幕网| 久久久久久久久大av| 夜夜躁狠狠躁天天躁| 国产一区二区亚洲精品在线观看| 怎么达到女性高潮| 露出奶头的视频| 成人高潮视频无遮挡免费网站| 欧美成人性av电影在线观看| 亚洲专区国产一区二区| 久久九九热精品免费| 精品人妻偷拍中文字幕| 欧美3d第一页| 热99在线观看视频| 国产成人a区在线观看| 久久久国产精品麻豆| 熟妇人妻久久中文字幕3abv| 亚洲欧美日韩卡通动漫| 国产老妇女一区| 操出白浆在线播放| 国产真实伦视频高清在线观看 | 亚洲熟妇中文字幕五十中出| 免费一级毛片在线播放高清视频| 国产三级黄色录像| 亚洲一区二区三区不卡视频| 91久久精品国产一区二区成人 | 国产成人系列免费观看| 老司机午夜福利在线观看视频| 国产真人三级小视频在线观看| 又爽又黄无遮挡网站| 最新中文字幕久久久久| 亚洲在线自拍视频| 欧美性猛交╳xxx乱大交人| 欧美日韩国产亚洲二区| 观看美女的网站| 免费av不卡在线播放| 精品欧美国产一区二区三| 亚洲真实伦在线观看| 黄色丝袜av网址大全| 露出奶头的视频| 欧美日韩精品网址| 精品熟女少妇八av免费久了| 中文字幕人成人乱码亚洲影| 制服人妻中文乱码| 久久久久久久午夜电影| 国内精品一区二区在线观看| 欧美在线一区亚洲| 熟女电影av网| 国产精品美女特级片免费视频播放器| 国产乱人视频| 99久国产av精品| 亚洲av免费在线观看|