欧美成人午夜精品久久久,国产?V天堂一区二区三区,欧美精品va在线观看,亚洲一区二区三区免费在线观看,av无码精品一区二区久久,欧美性爱视频不卡一区三区,欧美乱人伦视频在线观看,国产一级牲交高潮

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運(yùn)營(yíng)的一線實(shí)戰(zhàn)洞察。

DCGAN圖像恢復(fù)實(shí)戰(zhàn):原理、PyTorch實(shí)現(xiàn)與調(diào)參避坑指南

DCGAN圖像恢復(fù)實(shí)戰(zhàn):原理、PyTorch實(shí)現(xiàn)與調(diào)參避坑指南 簡(jiǎn)介面向深度學(xué)習(xí)與圖像生成初學(xué)者這套壓縮包提供了生成對(duì)抗網(wǎng)絡(luò)的完整實(shí)驗(yàn)素材可用于理解生成器與判別器的對(duì)抗訓(xùn)練機(jī)制并動(dòng)手實(shí)踐圖像生成與修復(fù)。資源共二十個(gè)文件核心為一份Python源碼配合十一張不同訓(xùn)練階段的手寫(xiě)數(shù)字輸出圖可直觀觀察從噪聲到清晰樣本的生成過(guò)程另有少量工程配置與忽略文件屬于輕量級(jí)項(xiàng)目包壓縮后僅三百七十五KB便于快速部署運(yùn)行。目前已有六百四十九人學(xué)習(xí)下載適合入門(mén)者結(jié)合源碼逐行閱讀也適合在圖像恢復(fù)、數(shù)據(jù)增強(qiáng)等場(chǎng)景中作為基礎(chǔ)模板使用。包內(nèi)目錄結(jié)構(gòu)簡(jiǎn)潔代碼與結(jié)果圖分離便于對(duì)照訓(xùn)練輸出進(jìn)行復(fù)盤(pán)借助典型的卷積與反卷積層實(shí)現(xiàn)能幫助開(kāi)發(fā)者理解特征提取、批量歸一化等關(guān)鍵操作在生成任務(wù)中的實(shí)際作用尤其適合想快速跑通生成對(duì)抗網(wǎng)絡(luò)流程的讀者。1. 當(dāng)圖像恢復(fù)從“摳細(xì)節(jié)”變成“憑記憶補(bǔ)全”DCGAN 是那條更野的路你要是只用傳統(tǒng)方法做過(guò)圖像恢復(fù)大概率會(huì)遇到同一個(gè)尷尬去噪、去模糊、超分這些任務(wù)本質(zhì)都是在做“已知像素之間的插值”。遇到大面積缺失或者嚴(yán)重退化傳統(tǒng)算法只能給出一個(gè)平滑但模糊的結(jié)果因?yàn)樗牡讓蛹僭O(shè)是局部像素有連續(xù)性。但真實(shí)圖像不是這樣。一塊被劃掉的天空、一張老照片折痕下的半張臉?biāo)鼈兊男畔⒉卦谌纸Y(jié)構(gòu)里藏在“這類東西本該長(zhǎng)什么樣”的先驗(yàn)里。這正是生成對(duì)抗網(wǎng)絡(luò)擅長(zhǎng)的事生成器不是去修補(bǔ)像素而是去生成一張可信的完整圖像讓判別器分不清恢復(fù)結(jié)果和真實(shí)圖像的區(qū)別。DCGAN 作為 GAN 家族里結(jié)構(gòu)最干凈、最容易復(fù)現(xiàn)的一版成了入門(mén)圖像恢復(fù)最合適的腳手架——它讓“用深度學(xué)習(xí)補(bǔ)圖”這件事從玄學(xué)變成可調(diào)試的工程。這篇文章面向兩類人剛接觸生成對(duì)抗網(wǎng)絡(luò)、想跑通第一個(gè)完整圖像生成/恢復(fù)項(xiàng)目的學(xué)生或新人工程師以及用過(guò)傳統(tǒng)圖像恢復(fù)算法、想在深度學(xué)習(xí)方向上找一個(gè)低門(mén)檻起點(diǎn)的從業(yè)者。你會(huì)看到 DCGAN 的完整原理拆解、基于 PyTorch 的最小可運(yùn)行代碼、六個(gè)讓我翻過(guò)車的參數(shù)坑位以及最后怎么評(píng)估恢復(fù)結(jié)果而不是只看 loss 曲線。它解決的是“能用”層面的問(wèn)題——不是把 DCGAN 調(diào)成 SOTA 級(jí)恢復(fù)模型而是讓你在兩天內(nèi)跑通、看懂、并且知道下一步該往哪走。2. DCGAN 的網(wǎng)絡(luò)結(jié)構(gòu)與圖像恢復(fù)原理先搞清楚它憑什么能補(bǔ)圖2.1 生成器和判別器的對(duì)抗關(guān)系以及圖像恢復(fù)為什么需要這種對(duì)抗DCGAN 的全稱是 Deep Convolutional Generative Adversarial Network核心思想不是一個(gè)網(wǎng)絡(luò)而是兩個(gè)網(wǎng)絡(luò)互相博弈。生成器 G 的任務(wù)是輸入一個(gè)隨機(jī)噪聲向量 z輸出一張偽造圖像判別器 D 的任務(wù)是判斷輸入圖像是真的來(lái)自訓(xùn)練集還是 G 生成的偽圖。訓(xùn)練過(guò)程就是讓 G 越來(lái)越擅長(zhǎng)騙 D讓 D 越來(lái)越擅長(zhǎng)識(shí)破 G。這個(gè)對(duì)抗的過(guò)程最終會(huì)讓 G 學(xué)會(huì)訓(xùn)練集圖像的分布——它不再記住某幾張具體圖片而是理解了“這類圖像長(zhǎng)什么樣”。圖像恢復(fù)任務(wù)和純圖像生成有個(gè)關(guān)鍵區(qū)別生成是從純?cè)肼暢霭l(fā)沒(méi)有任何約束恢復(fù)是給了一張退化圖像需要在“保持已知信息”和“補(bǔ)充未知信息”之間做權(quán)衡。所以用在恢復(fù)任務(wù)上時(shí)DCGAN 的生成器輸入不再是純?cè)肼暥峭嘶瘓D像本身或者“退化圖像 噪聲”的拼接。目標(biāo)從“生成一張看起來(lái)真實(shí)的圖”變成“生成一張看起來(lái)真實(shí)、并且保留原圖已知區(qū)域細(xì)節(jié)的圖”。這里有個(gè)值得想明白的點(diǎn)為什么 MSE 損失訓(xùn)練出來(lái)的恢復(fù)模型不夠用用 L2 損失訓(xùn)練的模型傾向于生成模糊結(jié)果——因?yàn)榘严袼仡A(yù)測(cè)成中間值能降低平均誤差但圖像的主觀質(zhì)量極差邊緣是糊的、紋理被抹平了。GAN 的對(duì)抗損失不直接比較像素而是讓判別器學(xué)會(huì)圖像級(jí)別的真實(shí)感判斷這逼著生成器去制造銳利的邊緣和合理的紋理。你可以在最終損失里同時(shí)保留 L2 和對(duì)抗損失讓恢復(fù)結(jié)果既貼近原始像素、又具備真實(shí)感。2.2 DCGAN 的四個(gè)關(guān)鍵結(jié)構(gòu)約束為什么卷積 GAN 非得這么搭DCGAN 在原始 GAN 的基礎(chǔ)上提出了四類結(jié)構(gòu)約定這四類約定直接影響圖像恢復(fù)任務(wù)的穩(wěn)定性和質(zhì)量。第一生成器里用轉(zhuǎn)置卷積做上采樣不用池化。轉(zhuǎn)置卷積或者叫反卷積能把低分辨率的特征圖逐步放大到目標(biāo)尺寸。判別器里用帶步長(zhǎng)的卷積做下采樣也不做池化。前后使用相同的步長(zhǎng)策略可以避免梯度在池化層附近變得稀疏。第二除了生成器最后一層用 Tanh、判別器第一層輸入不做 BN其余所有層都做批歸一化Batch Normalization。BN 的用途是讓每層輸入分布盡量一致避免訓(xùn)練中途分布漂移導(dǎo)致某個(gè)生成器或判別器突然占上風(fēng)。第三判別器內(nèi)部全部使用 LeakyReLU 激活斜率設(shè)為 0.2避免生成器那邊 ReLU 把負(fù)值全部截?cái)鄬?dǎo)致梯度死掉。第四生成器內(nèi)部使用 ReLU 激活最后一層用 Tanh 把像素值壓縮到 [-1, 1] 區(qū)間。訓(xùn)練時(shí)真實(shí)圖像也要同步歸一化到這個(gè)區(qū)間否則判別器只看數(shù)值范圍就能分辨真假對(duì)抗就失效了。2.3 從噪聲到圖像生成器內(nèi)部發(fā)生的變化假設(shè)輸入噪聲是 100 維的向量要輸出 64×64×3 的圖像生成器內(nèi)部其實(shí)就是一系列轉(zhuǎn)置卷積的級(jí)聯(lián)。常見(jiàn)結(jié)構(gòu)是第一層把 100 維向量投影成 4×4×1024 的特征圖然后逐層上采樣4×4 → 8×8 → 16×16 → 32×32 → 64×64每次尺寸翻倍通道數(shù)逐層減半。每一層都做 BN ReLU最后一層換成 Tanh。在圖像恢復(fù)場(chǎng)景里輸入從噪聲變成退化圖像后生成器的第一層實(shí)際上是“圖像編碼 → 瓶頸表示 → 圖像解碼”的結(jié)構(gòu)先用普通卷積把退化圖像壓成一個(gè)低維特征再經(jīng)過(guò)轉(zhuǎn)置卷積逐步恢復(fù)分辨率。你可以把它理解成一個(gè)加了對(duì)抗訓(xùn)練的自編碼器。瓶頸層的壓縮會(huì)迫使模型只保留結(jié)構(gòu)級(jí)信息丟掉噪聲和退化痕跡這就是恢復(fù)能力的來(lái)源。2.4 損失函數(shù)怎么組合純對(duì)抗 vs 對(duì)抗 內(nèi)容損失純 DCGAN 用二元交叉熵作為判別器和生成器的損失。判別器 D 的損失是“對(duì)真圖輸出接近 1、對(duì)假圖輸出接近 0”的分類誤差生成器 G 的損失是“讓判別器對(duì)假圖輸出接近 1”的欺騙誤差。這兩個(gè)損失交替優(yōu)化模型才會(huì)逐步收斂。但如果只靠這個(gè)對(duì)抗損失做圖像恢復(fù)大概率恢復(fù)出的圖會(huì)“局部走樣”——比如人臉恢復(fù)時(shí)眼睛位置偏移因?yàn)閷?duì)抗損失只關(guān)心整體分布不關(guān)心像素級(jí)對(duì)應(yīng)。所以用于恢復(fù)時(shí)我一般會(huì)加一項(xiàng)內(nèi)容損失L1 或者 L2 距離讓生成結(jié)果和原始清晰圖在像素層面靠近。最終的生成器損失是對(duì)抗損失 λ * 內(nèi)容損失λ 通常取 10 到 100 之間需要根據(jù)退化程度調(diào)。退化嚴(yán)重時(shí) λ 小一些讓對(duì)抗損失去發(fā)揮補(bǔ)全能力退化輕時(shí) λ 大一些防止生成器篡改已知區(qū)域的細(xì)節(jié)。3. 用 PyTorch 復(fù)現(xiàn) DCGAN 做圖像恢復(fù)從數(shù)據(jù)預(yù)處理到完整訓(xùn)練流程3.1 準(zhǔn)備數(shù)據(jù)高質(zhì)量清晰圖 人為退化配對(duì)樣本才有恢復(fù)目標(biāo)圖像恢復(fù)屬于監(jiān)督學(xué)習(xí)或者半監(jiān)督學(xué)習(xí)DCGAN 訓(xùn)練需要成對(duì)的退化圖和清晰圖。一個(gè)非常實(shí)用的做法是在訓(xùn)練階段用清晰圖人為制造退化——加高斯噪聲、高斯模糊、隨機(jī)遮擋。這樣做的最大好處是標(biāo)簽免費(fèi)且可控你能精確知道恢復(fù)目標(biāo)長(zhǎng)什么樣還能用代碼控制退化的嚴(yán)重程度。建議數(shù)據(jù)集CelebA 人臉數(shù)據(jù)集大約 20 萬(wàn)張人臉圖非常適合做入門(mén)驗(yàn)證尺寸統(tǒng)一為 64×64 或者 128×128如果沒(méi)有條件下載直接拿 COCO 數(shù)據(jù)集的部分子集或者自己爬 1 萬(wàn)張街景圖也行。關(guān)鍵在于圖像內(nèi)容必須“結(jié)構(gòu)性強(qiáng)”——有臉的、有物體的、有建筑輪廓的都行純紋理或純色塊不適合用來(lái)觀察 GAN 的恢復(fù)效果。我的習(xí)慣是把退化過(guò)程寫(xiě)成數(shù)據(jù)增強(qiáng)的一部分import torch from torch.utils.data import Dataset from torchvision import transforms from PIL import Image import numpy as np import os class DegradationDataset(Dataset): def __init__(self, img_dir, degrade_typenoise, degrade_factor25): self.img_paths [os.path.join(img_dir, f) for f in os.listdir(img_dir)] self.degrade_type degrade_type self.degrade_factor degrade_factor self.to_tensor transforms.ToTensor() self.resize transforms.Resize((64, 64)) def degrade(self, img_tensor): # 輸入是 3x64x64 的 tensor值域 [0,1] if self.degrade_type noise: # 加高斯噪聲degrade_factor 是噪聲標(biāo)準(zhǔn)差 noise torch.randn_like(img_tensor) * self.degrade_factor / 255.0 return torch.clamp(img_tensor noise, 0.0, 1.0) elif self.degrade_type blur: # 模擬高斯模糊用卷積核做平滑這里簡(jiǎn)化成 3x3 均值濾波 kernel torch.ones(1, 1, 3, 3) / 9.0 kernel kernel.expand(3, 1, 3, 3) return torch.nn.functional.conv2d( img_tensor.unsqueeze(0), kernel, padding1, groups3 ).squeeze(0) elif self.degrade_type mask: # 隨機(jī)遮擋生成一塊矩形黑斑 masked img_tensor.clone() h, w masked.shape[1], masked.shape[2] x1, y1 np.random.randint(0, h-16), np.random.randint(0, w-16) masked[:, x1:x116, y1:y116] 0.0 return masked def __getitem__(self, idx): img Image.open(self.img_paths[idx]).convert(RGB) img self.to_tensor(self.resize(img)) degraded self.degrade(img) # 歸一化到 [-1, 1]和生成器 Tanh 輸出對(duì)齊 return degraded * 2 - 1, img * 2 - 1 def __len__(self): return len(self.img_paths)這段代碼有三個(gè)要點(diǎn)。第一degrade_factor控制退化嚴(yán)重程度做去噪實(shí)驗(yàn)設(shè) 20~30做超分實(shí)驗(yàn)可以把退化改成先縮小再放大。第二歸一化到 [-1, 1] 是必需項(xiàng)不是可選項(xiàng)——判別器輸出的目標(biāo)是區(qū)分真實(shí)值和偽值如果輸入數(shù)值范圍不一致判別器會(huì)走捷徑直接按照數(shù)值范圍判斷真假不學(xué)習(xí)任何圖像結(jié)構(gòu)。第三mask退化類型對(duì)應(yīng)的是圖像修復(fù)任務(wù)每次取圖時(shí)隨機(jī)生成一塊 16×16 的黑色區(qū)域這要求生成器必須依靠上下文推理補(bǔ)全而不是簡(jiǎn)單復(fù)制周圍像素。3.2 生成器和判別器的具體實(shí)現(xiàn)通道配置與核大小的選擇邏輯接下來(lái)是網(wǎng)絡(luò)主體。生成器結(jié)構(gòu)5 層轉(zhuǎn)置卷積從 100 維噪聲上采樣到 64×64×3。判別器結(jié)構(gòu)5 層帶步長(zhǎng)卷積從 64×64×3 下采樣到 1 個(gè)標(biāo)量輸出。import torch.nn as nn class Generator(nn.Module): def __init__(self, latent_dim100): super().__init__() self.fc nn.Linear(latent_dim, 4 * 4 * 512) self.model nn.Sequential( nn.BatchNorm2d(512), nn.ReLU(True), # 4x4 - 8x8 nn.ConvTranspose2d(512, 256, kernel_size4, stride2, padding1, biasFalse), nn.BatchNorm2d(256), nn.ReLU(True), # 8x8 - 16x16 nn.ConvTranspose2d(256, 128, kernel_size4, stride2, padding1, biasFalse), nn.BatchNorm2d(128), nn.ReLU(True), # 16x16 - 32x32 nn.ConvTranspose2d(128, 64, kernel_size4, stride2, padding1, biasFalse), nn.BatchNorm2d(64), nn.ReLU(True), # 32x32 - 64x64 nn.ConvTranspose2d(64, 3, kernel_size4, stride2, padding1, biasFalse), nn.Tanh() ) def forward(self, z): x self.fc(z).view(-1, 512, 4, 4) return self.model(x) class Discriminator(nn.Module): def __init__(self): super().__init__() self.model nn.Sequential( nn.Conv2d(3, 64, kernel_size4, stride2, padding1, biasFalse), nn.LeakyReLU(0.2, inplaceTrue), nn.Conv2d(64, 128, kernel_size4, stride2, padding1, biasFalse), nn.BatchNorm2d(128), nn.LeakyReLU(0.2, inplaceTrue), nn.Conv2d(128, 256, kernel_size4, stride2, padding1, biasFalse), nn.BatchNorm2d(256), nn.LeakyReLU(0.2, inplaceTrue), nn.Conv2d(256, 512, kernel_size4, stride2, padding1, biasFalse), nn.BatchNorm2d(512), nn.LeakyReLU(0.2, inplaceTrue), nn.Conv2d(512, 1, kernel_size4, stride1, padding0, biasFalse), ) def forward(self, img): return self.model(img).view(-1, 1)注意生成器的第一層不是直接接轉(zhuǎn)置卷積而是先經(jīng)過(guò)一個(gè)全連接層把 100 維噪聲投影成 1024 個(gè) 4×4 特征圖。這個(gè)投影是為了讓噪聲向量能夠均勻地分布到空間維度避免信息集中在某個(gè)局部區(qū)域。判別器的最后一層卷積核大小為 4、步長(zhǎng)為 1、無(wú)填充目的是把 4×4 的特征圖壓成 1×1 輸出。如果做的是圖像恢復(fù)而不是純生成生成器部分的修改方式把噪聲輸入替換為退化圖像第一層換成一個(gè) 3 通道輸入的卷積層用于把退化圖編碼到 512 維特征。這意味著生成器變成“圖像到圖像”的結(jié)構(gòu)權(quán)重初始化方式不變。3.3 訓(xùn)練循環(huán)adam 參數(shù)、標(biāo)簽平滑和真實(shí)圖像判別方向的坑訓(xùn)練 DCGAN 的循環(huán)幾乎和所有 GAN 訓(xùn)練循環(huán)一樣每個(gè) batch 先訓(xùn)練判別器再訓(xùn)練生成器。但有幾個(gè)參數(shù)設(shè)置必須調(diào)整到合適范圍否則模型百分之百翻車。import torch.optim as optim def train_dcgan(generator, discriminator, dataloader, epochs50, lr0.0002): g_opt optim.Adam(generator.parameters(), lrlr, betas(0.5, 0.999)) d_opt optim.Adam(discriminator.parameters(), lrlr, betas(0.5, 0.999)) criterion nn.BCEWithLogitsLoss() for epoch in range(epochs): for degraded, clean in dataloader: batch_size degraded.size(0) real_labels torch.ones(batch_size, 1) * 0.9 # 標(biāo)簽平滑 fake_labels torch.zeros(batch_size, 1) # ---- 訓(xùn)練判別器 ---- d_opt.zero_grad() real_out discriminator(clean) d_real_loss criterion(real_out, real_labels) noise torch.randn(batch_size, 100) fake generator(noise) fake_out discriminator(fake.detach()) d_fake_loss criterion(fake_out, fake_labels) d_loss d_real_loss d_fake_loss d_loss.backward() d_opt.step() # ---- 訓(xùn)練生成器 ---- g_opt.zero_grad() fake_out discriminator(fake) g_adv_loss criterion(fake_out, real_labels) g_loss g_adv_loss g_loss.backward() g_opt.step()這段循環(huán)代碼里有三個(gè)容易出問(wèn)題的細(xì)節(jié)。第一real_labels填的是 0.9 而不是 1這是標(biāo)簽平滑防止判別器輸出過(guò)飽和導(dǎo)致梯度消失。第二fake.detach()是必須的——在訓(xùn)練判別器階段不能讓梯度流回生成器否則兩個(gè)網(wǎng)絡(luò)會(huì)同時(shí)更新這個(gè) batch 的對(duì)抗信號(hào)就亂了。第三Adam 的 beta1 必須設(shè)為 0.5不能用默認(rèn)的 0.9。原因在于動(dòng)量項(xiàng)太大時(shí)生成器容易陷入振蕩GAN 訓(xùn)練的穩(wěn)定性對(duì)平均歷史梯度的敏感度遠(yuǎn)高于普通分類任務(wù)。訓(xùn)練中需要每一定步數(shù)保存生成器參數(shù)和生成樣本否則后期發(fā)現(xiàn)模型崩了但沒(méi)有中間快照相當(dāng)于白跑。保存頻率建議每個(gè) epoch 結(jié)束保存一次generator_state.pth每 5 個(gè) epoch 保存生成的恢復(fù)圖對(duì)比原圖和退化圖。3.4 把生成器接到恢復(fù)任務(wù)上輸入退化圖、輸出清晰圖的訓(xùn)練分支上面訓(xùn)練的生成器還只是從噪聲生成圖像做恢復(fù)需要加一個(gè)分支把退化圖作為條件輸入。有兩種常見(jiàn)做法我推薦第二種。第一種是“前端拼接”把退化圖和隨機(jī)噪聲拼接后一起送給生成器噪聲部分負(fù)責(zé)引入隨機(jī)性。這種方式在強(qiáng)退化場(chǎng)景下容易產(chǎn)生不穩(wěn)定的恢復(fù)結(jié)果因?yàn)樵肼晻?huì)干擾已知區(qū)域的信息。第二種是“編碼器-解碼器 對(duì)抗”生成器變成一個(gè)自編碼器退化圖經(jīng)過(guò)編碼器壓成瓶頸向量解碼器從瓶頸向量恢復(fù)出完整圖。這種方式信息路徑清晰恢復(fù)結(jié)果更可控。class RestorationGenerator(nn.Module): def __init__(self, latent_dim100): super().__init__() # 編碼器3x64x64 - 512x4x4 self.encoder nn.Sequential( nn.Conv2d(3, 64, kernel_size4, stride2, padding1), nn.LeakyReLU(0.2, inplaceTrue), nn.Conv2d(64, 128, kernel_size4, stride2, padding1), nn.BatchNorm2d(128), nn.LeakyReLU(0.2, inplaceTrue), nn.Conv2d(128, 256, kernel_size4, stride2, padding1), nn.BatchNorm2d(256), nn.LeakyReLU(0.2, inplaceTrue), nn.Conv2d(256, 512, kernel_size4, stride2, padding1), nn.BatchNorm2d(512), nn.LeakyReLU(0.2, inplaceTrue), ) # 解碼器和 DCGAN 生成器后半段一致 self.decoder nn.Sequential( nn.ConvTranspose2d(512, 256, kernel_size4, stride2, padding1), nn.BatchNorm2d(256), nn.ReLU(True), nn.ConvTranspose2d(256, 128, kernel_size4, stride2, padding1), nn.BatchNorm2d(128), nn.ReLU(True), nn.ConvTranspose2d(128, 64, kernel_size4, stride2, padding1), nn.BatchNorm2d(64), nn.ReLU(True), nn.ConvTranspose2d(64, 3, kernel_size4, stride2, padding1), nn.Tanh() ) def forward(self, degraded_img): z self.encoder(degraded_img) return self.decoder(z)這個(gè)結(jié)構(gòu)的核心是編碼器沒(méi)有使用任何全連接層直接用卷積把空間尺寸逐步壓縮保留空間相對(duì)位置信息。這對(duì)圖像恢復(fù)是必需的——全連接層會(huì)丟掉“哪個(gè)位置缺失了什么”的空間信息而空間結(jié)構(gòu)恰恰是恢復(fù)的關(guān)鍵先驗(yàn)。解碼器部分沿用 DCGAN 的轉(zhuǎn)置卷積結(jié)構(gòu)每層通道減半、尺寸翻倍最終回到輸入分辨率。需要注意編碼器里使用了 LeakyReLU而解碼器使用 ReLU這個(gè)不對(duì)稱是有意為之編碼器負(fù)責(zé)提取特征需要保留負(fù)值信息防止梯度流失解碼器負(fù)責(zé)生成圖像ReLU 能產(chǎn)生更銳利的輸出。4. DCGAN 圖像恢復(fù)的關(guān)鍵參數(shù)配置學(xué)習(xí)率、損失權(quán)重和圖像尺寸之間的博弈4.1 六組默認(rèn)參數(shù)和它們的調(diào)節(jié)區(qū)間我收集了一套花過(guò)很多輪實(shí)驗(yàn)得出的參數(shù)區(qū)間直接給出結(jié)論方便你試參數(shù)默認(rèn)值合理區(qū)間調(diào)節(jié)方向說(shuō)明學(xué)習(xí)率0.00021e-4 ~ 5e-4大于 5e-4 時(shí)判別器快速收斂生成器永遠(yuǎn)追不上Adam beta10.50.4 ~ 0.6高于 0.7 會(huì)讓訓(xùn)練振蕩生成樣本出現(xiàn)周期性的扭曲batch size6432 ~ 128太小判別器過(guò)擬合太大生成器梯度被平均掉恢復(fù)細(xì)節(jié)變糊生成器內(nèi)容損失權(quán)重 λ10010 ~ 200退化嚴(yán)重時(shí)調(diào)小讓對(duì)抗損失主導(dǎo)補(bǔ)全圖像輸出尺寸64×6432×32 ~ 128×128超過(guò) 128 時(shí)純 DCGAN 收斂困難需要換殘差生成器判別器迭代次數(shù)11 ~ 5如果生成器崩了輸出全灰可以暫時(shí)調(diào)高到 3第一個(gè)要展開(kāi)的是內(nèi)容損失權(quán)重 λ。做純?nèi)ピ霑r(shí)退化程度低已知信息占比高λ 設(shè)到 100 以上讓恢復(fù)結(jié)果嚴(yán)格貼合原始像素。做遮擋修復(fù)時(shí)遮擋區(qū)域完全沒(méi)有像素信息λ 太高會(huì)讓生成器去猜測(cè)遮擋區(qū)域應(yīng)該如何貼近一個(gè)不存在的真實(shí)值結(jié)果就是模糊因?yàn)?L1/L2 損失在不確定區(qū)域的最優(yōu)解是均值——糊成一片。這種場(chǎng)景建議 λ 降到 10 ~ 20。第二個(gè)要展開(kāi)的是圖像尺寸和生成器結(jié)構(gòu)的關(guān)系。64×64 是 DCGAN 的舒適區(qū)在這個(gè)尺寸下轉(zhuǎn)置卷積可以很好地生成銳利結(jié)構(gòu)。如果用到 128×128最后兩層的感受野不足以覆蓋大范圍的空間關(guān)系很容易生成“局部合理、全局?jǐn)嗔选钡膱D。此時(shí)建議把解碼器中間層改成殘差塊或者直接把生成器換成 U-Net 結(jié)構(gòu)的變體否則純粹靠加深 DCGAN 會(huì)不斷翻車。4.2 學(xué)習(xí)率、batch size 和判別器迭代次數(shù)怎么搭配很多新手把 DCGAN 當(dāng)成普通 CNN 來(lái)調(diào)參學(xué)習(xí)率先從 0.01 開(kāi)始然后一路降——這是非常常見(jiàn)的誤區(qū)。DCGAN 在 0.01 學(xué)習(xí)率下幾乎必崩而且崩的方式很有迷惑性一開(kāi)始 loss 瘋狂下降看起來(lái)訓(xùn)練進(jìn)展不錯(cuò)然后某一輪生成器突然輸出全黑或者全噪點(diǎn)圖之后再也爬不起來(lái)。經(jīng)驗(yàn)做法是保持學(xué)習(xí)率固定不要用學(xué)習(xí)率衰減。GAN 訓(xùn)練在接近收斂時(shí)本來(lái)就會(huì)進(jìn)入動(dòng)態(tài)平衡如果生成器的學(xué)習(xí)率被調(diào)低了它會(huì)在判別器面前變得“任人宰割”判別器會(huì)把所有生成樣本都判為假生成器梯度爆炸輸出滿屏噪點(diǎn)。如果你的訓(xùn)練過(guò)程穩(wěn)定下來(lái)了不要想著讓 loss 更低不要隨手加個(gè) scheduler保持現(xiàn)狀是最優(yōu)解。batch size 和判別器迭代次數(shù)是配合使用的。batch size 小32時(shí)判別器每個(gè) batch 看到的真實(shí)樣本少更容易被生成器騙過(guò)訓(xùn)練不穩(wěn)定batch size 大128時(shí)判別器非常強(qiáng)生成器學(xué)不動(dòng)恢復(fù)圖會(huì)模糊。中庸的選擇是 64batch size 64 配合判別器每輪只更新一次能保持兩者的能力差距在合理范圍內(nèi)。如果出現(xiàn)“生成器崩塌”現(xiàn)象輸出圖像都是同一種紋理或者同一張臉優(yōu)先嘗試調(diào)高判別器更新次數(shù)到 2~3壓一壓生成器讓它更努力地逃生。4.3 歸一化方式和數(shù)據(jù)增強(qiáng)對(duì)恢復(fù)結(jié)果的影響歸一化這件事值得單獨(dú)拿出來(lái)寫(xiě)。做圖像恢復(fù)時(shí)退化圖像和真實(shí)圖像必須采用完全相同的歸一化方式否則判別器會(huì)直接通過(guò)亮度分布來(lái)區(qū)分真假。具體做法是訓(xùn)練集統(tǒng)計(jì)出的均值和標(biāo)準(zhǔn)差同時(shí)對(duì)退化圖和清晰圖做標(biāo)準(zhǔn)化歸一化后再做* 2 - 1轉(zhuǎn)換到 [-1, 1] 區(qū)間。有人喜歡直接用(x - 0.5) * 2的方式把 [0,1] 映射到 [-1,1]也可以但必須保證推理階段和訓(xùn)練階段一致。數(shù)據(jù)增強(qiáng)方面隨機(jī)水平翻轉(zhuǎn)可以用但不要用隨機(jī)裁剪——圖像恢復(fù)任務(wù)里裁剪會(huì)破壞退化圖和清晰圖之間的像素對(duì)應(yīng)關(guān)系生成器會(huì)學(xué)到錯(cuò)誤的映射。如果一定要做多尺度把退化圖和清晰圖用同一個(gè)隨機(jī)種子裁剪確保位置一致。顏色抖動(dòng)增強(qiáng)也建議關(guān)閉因?yàn)?DCGAN 的生成器對(duì)顏色分布非常敏感顏色擾動(dòng)會(huì)讓判別器學(xué)到錯(cuò)誤信號(hào)導(dǎo)致恢復(fù)圖的飽和度和色調(diào)出現(xiàn)偏差。5. DCGAN 訓(xùn)練避坑記錄五個(gè)我親手踩進(jìn)去又爬出來(lái)的坑5.1 生成器輸出全黑/全灰圖loss 看起來(lái)卻“正?!爆F(xiàn)象訓(xùn)練到第 3 ~ 5 個(gè) epoch生成器輸出的圖像全部變成同一張灰色模糊圖判別器的 loss 維持在一個(gè)不高不低的位置看起來(lái)訓(xùn)練還在進(jìn)行實(shí)際上已經(jīng)死了。原因判別器器先一步收斂它能輕易識(shí)別出生成樣本導(dǎo)致生成器梯度接近零。生成器不再學(xué)習(xí)直接停在某個(gè)局部最優(yōu)點(diǎn)通常是輸出全灰因?yàn)榛覉D的 L2 損失在所有候選圖里最小。GAN 的叫法給這種現(xiàn)象起了個(gè)名字叫“模式崩塌”但在 DCGAN 的圖像恢復(fù)場(chǎng)景下它通常是判別器太強(qiáng)導(dǎo)致的。解決把判別器的學(xué)習(xí)率降到生成器的一半具體做法是設(shè)置d_opt optim.Adam(discriminator.parameters(), lr0.0001)g_opt optim.Adam(generator.parameters(), lr0.0002)。同時(shí)檢查標(biāo)簽平滑——如果你用的是 1/0 硬標(biāo)簽換成 0.9/0.1 能避免判別器輸出過(guò)于自信保留更多梯度信號(hào)給生成器。5.2 恢復(fù)結(jié)果清晰但“不像原圖”內(nèi)容損失和對(duì)抗損失的權(quán)重失衡現(xiàn)象恢復(fù)出來(lái)的圖像銳利、清晰、細(xì)節(jié)豐富但是跟清晰原圖一對(duì)比像素級(jí)相似度很低。比如人臉恢復(fù)后眼睛位置偏移了幾毫米膚色和原圖不一致。原因λ 設(shè)得太小生成器只參考對(duì)抗損失它編造了“看起來(lái)合理但與輸入不對(duì)應(yīng)”的內(nèi)容。在圖像恢復(fù)場(chǎng)景里這意味著生成器在發(fā)揮想象力而不是做恢復(fù)。解決直接把 λ 從 10 提升到 100然后觀察 PSNR 和 SSIM 的變化。如果 PSNR 上升明顯說(shuō)明內(nèi)容損失正在起約束作用。如果 PSNR 上升但視覺(jué)質(zhì)量下降太模糊再把 λ 回調(diào)到 50 左右。這是一個(gè)需要反復(fù)橫跳的經(jīng)驗(yàn)值我建議每次改完 λ 都同時(shí)查看三組結(jié)果原圖、恢復(fù)圖、像素差熱力圖不要只看數(shù)值。5.3 訓(xùn)練到后期 loss 震蕩幅度越來(lái)越大圖像質(zhì)量時(shí)好時(shí)壞現(xiàn)象訓(xùn)練到第 30 個(gè) epoch 之后生成器 loss、判別器 loss 都在持續(xù)波動(dòng)每隔幾個(gè) epoch 恢復(fù)質(zhì)量差一次然后又變好往復(fù)循環(huán)。原因兩個(gè)網(wǎng)絡(luò)在動(dòng)態(tài)博弈中產(chǎn)生了周期性對(duì)抗生成器學(xué)到的策略一被判別器識(shí)破就要換策略換策略的過(guò)程中恢復(fù)質(zhì)量會(huì)有明顯波動(dòng)。這是 GAN 的正?,F(xiàn)象不是 bug但很多人在這里誤以為模型不收斂就提前終止。解決在訓(xùn)練腳本里加入最佳模型保存邏輯不只看最后一個(gè) epoch。每個(gè) epoch 結(jié)束后在固定的驗(yàn)證集上算一次 PSNR/SSIM把最優(yōu)指標(biāo)的模型保存為best_generator.pth。最后使用時(shí)直接加載這個(gè)最優(yōu)快照而不是加載最后一個(gè) epoch 的參數(shù)。這是最簡(jiǎn)單也最實(shí)用的后悔藥。5.4 加了內(nèi)容損失后判別器 loss 降到 0但生成圖像嚴(yán)重模糊現(xiàn)象內(nèi)容損失權(quán)重調(diào)到 100 以上之后判別器 loss 急速下降趨近 0但生成圖像變得非常模糊邊緣全部丟失。原因λ 太高內(nèi)容損失在總損失中占比過(guò)大梯度主要沿著 L1/L2 方向更新而 L1/L2 的最優(yōu)解是模糊。判別器雖然還在輸出“假”的判斷但它的梯度被淹沒(méi)在內(nèi)容損失的梯度里了。解決觀察兩個(gè)損失的數(shù)量級(jí)。如果內(nèi)容損失的數(shù)值比對(duì)抗損失大兩個(gè)數(shù)量級(jí)以上需要對(duì)總損失做加權(quán)歸一化把內(nèi)容損失除以它的均值把對(duì)抗損失除以它的均值再按 λ 加權(quán)合并。不要直接加直接加的話數(shù)值大的一方的確會(huì)無(wú)視另一方。5.5 恢復(fù)圖像出現(xiàn)塊狀偽影棋盤(pán)格效應(yīng)現(xiàn)象恢復(fù)圖的邊緣區(qū)域出現(xiàn)規(guī)則的棋盤(pán)格紋路尤其在強(qiáng)梯度區(qū)域邊緣、紋理最明顯。原因轉(zhuǎn)置卷積的步長(zhǎng)重疊導(dǎo)致權(quán)重分布不均某些位置的像素被多個(gè)卷積核覆蓋另一些位置覆蓋不足形成規(guī)則周期性的色塊。這在 DCGAN 中是經(jīng)典問(wèn)題圖像尺寸越大越明顯。解決三種常見(jiàn)做法任選其一。第一在轉(zhuǎn)置卷積后接一個(gè)普通卷積層做平滑第二把轉(zhuǎn)置卷積改為“上采樣 普通卷積”即先用最近鄰插值把尺寸放大一倍再用一個(gè) kernel_size3、stride1 的卷積做特征融合第三種做法最省事且有效保持 DCGAN 原結(jié)構(gòu)不動(dòng)但在 loss 里加一個(gè)總變差正則項(xiàng)TV loss懲罰相鄰像素之間的劇烈差異可以有效抑制棋盤(pán)格。TV loss 的實(shí)現(xiàn)如下def tv_loss(img): # img: batch x 3 x H x W batch_size, _, h, w img.shape diff_h torch.abs(img[:, :, 1:, :] - img[:, :, :-1, :]).mean() diff_w torch.abs(img[:, :, :, 1:] - img[:, :, :, :-1]).mean() return diff_h diff_w把tv_loss以 0.001 的權(quán)重加進(jìn)生成器總損失里棋盤(pán)格現(xiàn)象會(huì)出現(xiàn)明顯緩解。注意權(quán)重不要超過(guò) 0.01否則圖像會(huì)被過(guò)度平滑。6. 恢復(fù)效果怎么驗(yàn)證FID、PSNR/SSIM 和人眼判斷的取舍訓(xùn)練跑通了接下來(lái)是說(shuō)服自己的工作——和說(shuō)服合作方需要不同的話術(shù)。PSNR 和 SSIM 是圖像恢復(fù)領(lǐng)域最常用的兩個(gè)客觀指標(biāo)但它們和人類感知的相關(guān)性并不高尤其對(duì) GAN 生成的結(jié)果來(lái)說(shuō)一張模糊但色彩均勻的圖可能 PSNR 很高一張銳利但細(xì)節(jié)有微小錯(cuò)位的圖 PSNR 反而低。所以你需要三個(gè)指標(biāo)一起看PSNR 負(fù)責(zé)約束像素級(jí)偏差、SSIM 負(fù)責(zé)衡量結(jié)構(gòu)相似性、FID 負(fù)責(zé)評(píng)估分布級(jí)真實(shí)感。最后一個(gè)才是最有說(shuō)服力的。FIDFréchet Inception Distance的計(jì)算方式把真實(shí)清晰圖和恢復(fù)圖分別輸入 Inception-V3 網(wǎng)絡(luò)提取倒數(shù)第二層的特征向量計(jì)算這兩個(gè)特征分布之間的 Wasserstein 距離。FID 越低意味著恢復(fù)圖在語(yǔ)義特征層面更接近真實(shí)圖像分布。這對(duì) GAN 類模型很重要——它能捕捉到“紋理是否真實(shí)、結(jié)構(gòu)是否合理”這一類人類能感知但像素指標(biāo)測(cè)不出來(lái)的特征。import torch from torchvision.models import inception_v3 from scipy.linalg import sqrtm import numpy as np def calculate_fid(real_loader, fake_loader, device): inception inception_v3(pretrainedTrue, transform_inputFalse).to(device) inception.eval() def get_features(loader): features [] with torch.no_grad(): for batch, _ in loader: batch torch.nn.functional.interpolate(batch, size(299, 299), modebilinear) batch (batch 1) / 2 # 從 [-1,1] 恢復(fù)到 [0,1] if batch.shape[1] 1: batch batch.repeat(1, 3, 1, 1) feat inception(batch) features.append(feat.cpu().numpy()) return np.concatenate(features, axis0) real_feat get_features(real_loader) fake_feat get_features(fake_loader) mu1, sigma1 real_feat.mean(axis0), np.cov(real_feat, rowvarFalse) mu2, sigma2 fake_feat.mean(axis0), np.cov(fake_feat, rowvarFalse) diff mu1 - mu2 cov_mean sqrtm(sigma1 sigma2) if np.iscomplexobj(cov_mean): cov_mean cov_mean.real fid diff.dot(diff) np.trace(sigma1 sigma2 - 2 * cov_mean) return fid這段代碼的核心在最后幾行FID 的計(jì)算分三部分均值差異的平方、協(xié)方差矩陣跡的差異、協(xié)方差交叉項(xiàng)。sqrtm是對(duì)協(xié)方差乘積做矩陣平方根如果結(jié)果是復(fù)數(shù)就取實(shí)部——浮點(diǎn)計(jì)算導(dǎo)致的數(shù)值噪聲不影響量級(jí)判斷。你的驗(yàn)證流程應(yīng)該固定下來(lái)訓(xùn)練結(jié)束后跑 200 張測(cè)試圖分別計(jì)算 PSNR、SSIM、FID再隨機(jī)挑 5 組圖原圖/退化圖/恢復(fù)圖放到一張 grid 里肉眼對(duì)比。如果 FID 低但 PSNR 低說(shuō)明生成器在“發(fā)揮創(chuàng)造力”——適合遮擋修復(fù)不適合去噪如果 PSNR 高但 FID 高說(shuō)明恢復(fù)圖過(guò)于平滑、缺乏紋理細(xì)節(jié)——適合做內(nèi)容約束較重的任務(wù)不適合做真實(shí)感要求高的場(chǎng)景。最后一個(gè)進(jìn)階方向如果 64×64 的恢復(fù)分辨率不能滿足需求別急著把 DCGAN 放大到 256×256——結(jié)構(gòu)上可以直接升級(jí)為 SRGAN 或者 ESRGAN它們的生成器本質(zhì)上是“DCGAN 殘差塊 感知損失”訓(xùn)練技巧一脈相承。你先在 DCGAN 上把數(shù)據(jù)流、訓(xùn)練循環(huán)、評(píng)估流程全部跑通再遷移到 SRGAN 上會(huì)發(fā)現(xiàn)遷移成本極低因?yàn)?DCGAN 是它們最小公共子集。我自己就是從 DCGAN 起步做圖像修復(fù)的當(dāng)時(shí)被棋盤(pán)格和模式崩塌來(lái)回折磨了兩周回過(guò)頭看這些坑反而讓我理解了 GAN 訓(xùn)練的本質(zhì)它不是一個(gè)優(yōu)化問(wèn)題而是一個(gè)平衡問(wèn)題。希望這些經(jīng)驗(yàn)?zāi)軒湍闵僮呶易哌^(guò)的彎路如果你按照上面的步驟跑通了記得把你的 FID 基線記下來(lái)——那才是真正屬于你的起跑線。本文還有配套的精品資源點(diǎn)擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
91一起操| 丁香五月天激情网| 日本成人噜噜噜噜噜| 插插网爽妇五月丁香| 五月永久激情| 激情五月天无人视频在线| 九九精品网| 亚州操人在线视频| 欧美天堂久久| 五月婷婷久久综合| 黄色国久久| 91呦呦呦| 爆乳熟女一区二区三区爆乳| 九色PORNY9l原创自拍| 久热9| 操操天堂| 婷婷五月天激情在线观看 | 九九免费视频在线| 26uuu欧美激情另类| 激情综合激情五月一起草| 五月激情站| 91日日日| 亚洲另类电影| 4399在线观看免费高清毛片| 成人版视频在线观看| 51成人| 五月丁香六月在线欧美| 5月丁香六月情| 激情五月亚洲| 超碰三级片| 99热首页| 99网址在线观看| 99re视频在线| 毛片网站谁有| 五月婷婷熟女| 国产精品VA在线| 91凹凸在线| 亚洲精品视频在线| 久久99久久99精品,久国产,久久精品免费,99久在线,久久久久国产精品免费网站,9 | 91色色色18| 一逼色综合| 97丁香花五月天激情小说| 亚洲综合干| www.丁香五月| 99碰碰| 午夜性做爰电影| 大香蕉婷婷婷| 丁香六月久久| 婷婷天天综合| 丁香伊人网| 成人丁香五月| 91熟妇大香蕉| 99,色| α久久| 五月婷亚洲精品| 8区视频在线| 九九碰九九爱97| 91综合视频丁香| 婷婷激情五月天小说| av色婷婷| 淫荡综合网| 99视频在线观看网址| av久热| 亚洲色综合| 99久久综合狠狠综合久久| 大香蕉七区| AV九九| 欧美熟女乱又伦| 99热在线观看免费精品| 国外亚洲成AV人片在线观看| 九久久精品视频99| 青草视频在线蜜臀| 五月天婷婷成人| 色综合激情| 中文字幕丰满孑伦无码专区| AV无码免费| 日韩抽插操逼| 天天舔天天摸| 99热偷拍| 久久草大香蕉| 67194线路二在线观看| 六月色激情| ss五月天激情| 99色视频| 大香蕉色婷婷伊人在线| 97碰啪啪| 99热在线观看精品免费| 色狠狠色| 啪啪操超碰| 久久五月天综合视频网站| 欧美美美女性色视频| aa久久| 91在线就要啪| 色狠狠综合| 色噜综| 九九热大香蕉| 9久热在线视频| 婷婷九月丁香| 丁香婷婷五月| 四川女人毛多水多A片| 久久综合伊人77777蜜臀| 亚洲天堂AV免费片| 色色色99| 玖玖激情网| 色亚洲中文| 天天日 天天草| 99综合网| 日本久久高清| 婷婷五月草| 五月婷婷六月丁香| 中文无码婷婷| 五月丁香六月色| 五月婷婷基地| 亚韩在线视频| 99热99re6国产在线播放| 五月婷精品| 婷婷激情久久| 天天日夜夜B久久| 久久99热免费最新版| 精品国产乱码久久久久夜深人妻| 欧美日综合| 五月草视频| 色婷婷综合网| 亚洲色综合| 九热视频| 67194中文在线| 天天爽天天爽天天爽天天爽天天爽| 五月丁香成人小说| 天天肏视奸| 日韩抽插操逼| www.婷婷| 色综合色综合网| 日本色爽| 另类图片五月天激情| 可以免费看av网站| 九九激情| 丁香五月性| 九九成人视频| 色综啪啪| 丁香色情五月综合网站| 欧美性生交XXXXX无码小说 | 日本99久久| 色婷婷五月综合色婷婷| 五月丁香六月婷婷亚洲| 专区无日本视频高清8| 五月天丁香网| 91久久久久久久久| 91人操| 狠狠干无码| 天天草女人| 99热这是里只有精品| 超碰在线人人| 五月丁香啪综合| 99九九精品| 日日操夜夜擼| 六月丁香激情最新更新| 欧美成人AAA片一区国产精品| 99碰碰| 亚洲精品色| 99精品久| 人草人人| ...婷婷五月综合不卡,国产在线手机 | Av大香蕉| 色情婷婷| 狠狠干天天日| 色愛综合网| 激情开心五月天| 99精品偷自拍| 五五月五月| 五月天综合网| 99爱这里只有精品| 九九热免费视频| 婷婷五月天av| 九九色热| 五月天大香蕉| 国产免费一区二区在线A片视频| 成人一级片| 伊人久久大香线蕉av一区| 六月婷婷AV| www,99热| www.com色播五月天| 深爱激情婷| 五月天色色色网| 射久久丁香五月| 亚洲愉拍99热成人精品| 六月狠狠综合| 久久综合婷| 婷婷操婷婷干婷婷射| 色婷婷四虎| 亚艹艹| 丁香五月色情av| 久久人妻高清中文| 激情婷婷五月天丁香| 五月情婷婷| 国产超碰av| 在热视频精品| 成人在线观看一区| aa久久| 99色视频在线观看最新| 婷婷五月天开心网| 欧美激情xxxXX| WWW.久久.COM| 综合五月网| 久久精99| 天天综合五月天| 激情久久肏屄视频| 婷婷五月天av| 六月丁香五月亭亭| 9l视频自拍九色9l黑人| 亚洲视色| 99热这里只有精品1025| 伊人色综合网| 久久 视频这里只有精总| 亚洲AV久久久久久久久久久久久久久久| 婷婷射婷婷舔| 99热只有精品在线| 91五月天| www.人人操人人看人人想人人摸 人人人人操,COM | 变态 另类 在线 | 亚洲AV另类| 婷婷的色色五月天| 99久久久国产大片区| 国产精品大香蕉| 五月丁香婷婷激情在线| 狠狠色噜噜狠狠亚洲A∨| 天天日天天摸| 亚洲综合激情五月久久| 欧美三级巜人妻互换| 色区域网站视频| 99婷婷综合| 久久综合五月天| 久久99久久99精品免观看粉嫩| 婷婷五月六月| 黄页大全十八禁| 婷婷久久在线| 丁香五月手机在线| 婷婷五月天另类网站| 超碰在线播放免费观看| 婷婷五月丁香基地| 婷婷五月天论坛| 丁香五月激情啪啪啪| 国产成人AV在线播放| 丁香五月婷婷黑人妻黄色电影院| 无码成人AAAAA毛片AI换脸| 久久亚洲婷婷| 亚洲成人网在线观看| 久久性爱视频网站| 婷婷五月俺要去| 97偷拍对白视频| 人妻激情在线| 五月丁香直播| 五月天社区婷婷丁香社区| 这里只有精彩视频| 五月激情婷婷在线| 99热思思久| 青青草青青草五月天| 99免费在线视频| 婷婷五月天受日本法律保护| 九九色video| 天天搞天天爽| 噜综合| 骚逼视频一区2区| 免费黄色AV| 九热在线这里有精品6| 极品人妻VIDEOSSS人妻| 婷婷99狠狠| AA丁香综合激情| 国产毛片精品一区二区色欲黄A片| 99久久玖玖| www.婷婷| 五月丁香天堂| 久热无码| 亚洲顶级VA在线观看-高清完整版在线影院观看-S022AV | 特级西西4444www无码| 亚洲无码成人| 国产特黄色精品一区二区三区精品无广告| 中文字幕永久在线| 色激情五月| 丁香五月影院| 丁香五月婷婷www..com| 综合五月婷婷| 狠狠色噜噜狠狠| 亚洲 激情 中文| 综合精品99| 五月丁香啪| 天天激情站| 婷婷色网| 综合五月丁香97| 99操视频| www.91九色| 三级大香蕉网| 欧美激情五月天婷婷| 色婷婷亚洲在线观看| 思思热在线| 夜夜爱网站| 丁香婷婷综合五月天| 九九久久高清| 91丁香色| 91chinese在线| 久久久精品人妻| 色播五月丁香综合| 大香蕉综合网| 激情久久综合网| 被强行糟蹋的女人A片| 五月综合婷婷五月| 激情www.98com| 91一起操| 国产精品国产| 懂色av粉嫩AV蜜臀AV| 99热在线播放| 激情婷婷五月| 天天插天天爽| 66精品成人免费网站在线观看| 性日本激情| 亚洲另类av| 超碰9799| 99久久99九九99九九九| 天天爽,天天操。| 99操无码视频观看| 亚洲五月天色色| 91肏肏肏| 五月婷婷五月天| 啊V视频在线观看| 婷婷五月在线播放| 婷婷五月中文字幕国产| 情欲综合网| WWW久久久| 色色色色色九九九九九| 免费视频在线观看的网站| 色色婷婷五月| 五月丁香琪琪| 激情综合激情综合| 丁香六月婷婷综合啪啪| 五月天中文网| 婷婷激情蜜桃玖玖丁香| 免费成人va| 大香蕉五月天婷婷丁香91| av不卡网站| 777精品久无码人妻蜜桃| 久久精品99| 天天干一干| 五月婷婷网站| 五月天婷婷黄色| 二人电影免费版在线观看| 99久在线观看| 欧美啪啪9| www.五月婷| 日韩一级| 97偷拍对白视频| 日日躁夜夜躁狠狠久久AV| 婷婷五月婷婷| 五月丁香777| 91色噜噜狠狠狠狠色综合| 五月网在线| 天天婷婷操| 色狠狠激情五月| 久婷婷| 国产日韩av片| 激情综合色| 五月婷婷啪啪啪| 日婷婷| 亭亭五月色男人| 99久久精品网| 色婷婷五月亚洲| 五月丁香婷婷人体| anquye五月| 亚洲婷婷婷| 综合久久丁香婷婷,五月婷婷六月丁香,开心激情综合网,六月丁香在线观看,婷婷丁 | 欧美日韩成人一区二区| 人妻aV在线| 五月婷婷亚洲| 深爱五月网| 人人爽欧美婷婷久久久五月丁香| 超碰熟女拍拍| 丁香婷婷影院| pacopacomama 070722_670 素人奥様初撮りドキュメント 103 大久保純子 | 2017狠狠干| 五月丁香激情综合久久| 久久精彩免费视频| 丁香五月人妻| 97资源碰碰| 久久伊人婷婷| 欧美人妻一区二区| 中文字幕在线观看视频www| 狠狠干狠狠干| 成人无码精品1区2区3区免费看| 中文字幕无码人妻少妇免费视频 | 丁香五月婷婷色播艳门照| av在线色五月丁香婷区久| 色噜综| 国产精品成人av在线观看春天| 伊人午夜综合色啪| www激情五月天| 亚洲99精品欧美一区| 日日干天天爽| 性生活视频98791| 五月婷婷熟女| 五月婷婷六月丁香| 深爱综合网| 久99| 岛国在线观看91| 偷拍九九热| av一区二区电影免费在线观看| 亚洲电影中文字幕| 色婷婷五月天成人网| 影音先锋一区| 婷婷激情丁香五月婷婷激情丁香五月婷婷 | 天天干夜晚夜操| 色九九综合| 亚州美女| 五月婷婷先锋| 亚洲精品视频电影| 97碰久久| 五月六月丁香婷婷在线观看| 亚洲人人操BD| 婷婷五月天影院| 色婷婷综合视频| 久久婷婷色| 激情文学综合婷婷五月天丁香花| 色97啪啪| 91色五月| 五月的婷婷六月丁香| 天天操夜夜肏| 天天做天天爱天天高潮| 99热这里只有精品青草| 丰满少妇乱A片无码| 天天爱天天天射AV| 激情av在线| www,五月天com| 五月天婷婷丁香蜜桃91| 丁香婷婷六月男男| 五月婷婷av| 成人无码髙潮喷水A片| httpwww色com日本| 五月天婷婷綜合院| 成人欧美一区二区三区在线观看| WWW,五月| 91精品综合久久久久久五月丁香| 五月天婷婷成人网| 国产精品成人网址| 先锋资源婷婷| 色欲操| 天天xxxxxx天天日| 婷婷久久亚洲| 狠狠干.com| 综合网狠狠| 99综合视频一体| 无码人妻一区二区三区四区| 综合网视频| 色色色999| 影音先锋91在线资源站| 五月丁香六月婷婷久久肏| 婷婷五月激情四月综合| 99 这里只有精品| 欧美这里只有精品| 狠狠综合| 91丨九色熟女丨首页| 九九热a| 色婷婷五月天堂资源| 天天日天天舔| 免费看欧美成人A片无码| 熟女国产在线一区二区三区四区| 婷婷香蕉| 婷婷开心激情五月激情网| 综合久久影院| 丁香五月综合狠狠| 亚洲啪视频| 婷婷亚洲在线| 任你日视频| 51精品国自产在线| 在线中文字幕av| www,婷婷五月天777me,com| 成人在线视频一区| 久久久久久久11111111111| 亚洲网站999| 六月丁香婷婷天堂| 成人在线不卡| 成人精品免费在线观看| 婷婷丁香色五月亚洲| 亚洲色激情| 91九色首页| 欧美大片| 色婷婷88| 激情网综合| 99热网站| 金品在线视频99| 2020久久婷婷五月| 亚洲黄色精品| 丁香九月激情在线视频| 丁香色六月婷婷| 激情开心五月天| 亚洲情综合五月天| 色优久久| 夜夜操狠狠操| 丁香六月成人| 九九视频这里是精品五月| 激情五月影院| 99热国品| 99在线精品观看99| 激情开心五月天| 无码91中文字幕| 91精品久久久久久77777| 激情五月天无人视频在线| 久久性爱视频| 久久网日本| 天堂草在线看www| av国产精品| 啪啪婷婷五月天激情| 国内精品玖玖| 99热最新| 亚洲AV网站| 99热官网精品在线| 亚洲成人无码专区| 激情五月天久久丁香| 网站免费一站二站| 激情婷婷在线| 婷婷五月丁香五月天| 丁香婷婷久久 | 五月丁香色色综合| 丁香五月综合婷婷| 天花AV无码| 久香草视频在线观看| www.minyis.com【JT】实力收量可预付QQ2101460746 | 日韩综合网络男女香蕉a片| 五月丁香六月婷婷综合网站| 青青草婷婷五月天| wwxx日本| 亚洲综合五月天| 国产日韩av片| 久久九九国产精品怡红院| 久久精彩视频18| 九九sese| 丁香五月成人网| 天天色99| 色播五月网| 91色综合网站在线| 99精品爱| 亚洲精品又粗又大又爽A片 | 99热久只有| 五月激情六月综合| 伊人干综合| 国产亚洲精品久久一区二区三区| 超碰97色| 色色哒五月婷婷六月丁香| 五月天伊人| 婷婷五月天最新综合你懂的 | 五月婷婷五月丁香综合| 99热都是精品| 色色综合成人网| 综合色色网| 99re热99| 婷婷综合视频| 99爱爱网| 99热这里有精品| 五月激情久久| 激情綜合W W W,激情五月天| 激情五月瑟瑟| 开心五月天激情网站| 一本色道久久88综合日韩精品| 九九热10| 在线观看免费视频| 色视五月天婷婷| 亚洲操b| 丁香五月色激情| 天天摸人人摸| se婷97| 99热久草| 狠狠 久久| 另类五月激情| 一区操| 五月天天天色| 欧美月久久| 婷婷五月天激情五月天深爱五月天| 狠狠干五月| 97婷婷丁香五月天激情图片| 亚洲精品又粗又大又爽A片| 熟女重口味αV| 久久曰曰| 丁香婷五月天| 丁香激情综合| 夜夜操激情| 超碰一区二区| 婷婷久久亚洲| 色色色色色综合| 综合色色婷婷| 99色视频在线观看最新| 九九99免费视频| 99re这里只有精品99| 91超碰在线观看| 啪啪99| 成人电影在线免费试看| 色哟哟精品| 亚洲综合热| 26uuu欧美日本| 丁香色婷婷| 五月婷婷深深的爱| 五月丁香婷婷综合| 亚洲婷婷丁香五月亚洲| 99热这里只有精品5| 国产五月丁香在线| 综合天堂AV久久久久久久| 国产精品视频久久99| 热婷婷av| 99热网址| 五月天无码| 色噜噜狠狠色综无码久久合欧美| 丁香六月婷婷综合麻豆| 99ri精品在线观看| 久久天堂| 99re热精品视频国| 日韩黄色中文字幕| 五月丁香六月婷婷开心网| 中文在线视频久9| 日韩成人电影在线播放| WWW,色五月| 大地资源色婷婷视频在线| 婷婷亚洲五月色综合| AV免费在线网站| 91成人视频| 激情综合色| 综合色播| 骚货艹网站视频| 成人网站av免费网站推荐| 久热九九| 五月天色婷婷图片| 婷婷色色丁香| 丁香六月激情综合| 99'无码| 五月婷婷色欲| 婷婷成人五月天成人文学| 五月丁香六月婷婷久久肏| 亚洲色另类| www激情网| 99热99| 五月婷婷啪| 精品无码色欲AV| 日韩美一级毛卡片 | 久久这里有精品视频在线免费观看| 99热精品10| 久久婷婷精品| 色婷婷色五月天| 婷婷人人操| 狠狠干综合| 欧洲日韩一区二区三区| 夫妻超碰在线| 99自拍视频在线观看| 色区域网站视频| 99久超碰| http:色情日本com| 人人操AV| 色之综合网| 丁香五月天日韩无码| 亚州操操| 欧美另类五月激情| www999日韩精品| 性做久久久久久久免费看| 激情綜合W W W,激情五月天| 久久久人妻久久久| 亚洲无码猫咪| 六月婷婷色综合| 欧美日韩aaaa| 欧亚洲在线高清视频| 狠狠一日| 五月天婷婷色色| 丁香婷在线| 超碰久热| 色97啪啪| 丁香五月AV| 五月婷婷在线观看黄| 色婷婷视频| 人人操人人爰人人一天天碰夜夜拍夜夜爽-中国A级毛片天天看天天谢… | 五月丁香青草综合啪啪| 99热99干| 久久99激情五月天| 狠狠干婷婷| 丁香五月激情视频| 九九精品视频免费在线| 4399精品一区二区| 久久99久久99精品免视看婷婷| 玖玖婷婷五月天| 免费99情趣网视频| 九九色欲网| 99视频免费播放 | 婷婷成人综合| Y11111111111少妇电影院| 婷婷六月综合激情| 婷婷九月在线| 婷婷亚洲在线| 色区久久| 丁香五月婷婷亚洲另类| 免费三级黄色| 日韩aaa| 狠狠的日| 色情五月天婷婷| 丁香五月婷婷久久综合激情网 | 99啪在线视频| 一级黄在线| 五月丁香久久| 婷婷网五月天| 婷婷六月色情| 伊人丁香六月婷婷| 91丨九色丨熟女|老版| 97很鲁在线视频| 丁香六月婷婷色XXXXX| 色噜噜五月天| 久久人人人人妻| 五月六月丁香激情视频| 婷婷久久五月天丁香| 9999热在线| 亚洲亚洲人成综合网络 | 五月天婷婷激情| 久久综合天天综合| 日韩99色| 激情五月天婷婷图| 99久久99久久| 欧美超碰亚洲| 婷婷五月色播天| 97在线精品| 婷婷五月av| 思思热在线| 狠狠五月综合在线| 中文字幕日韩无码制服诱或| 亚洲激情亚洲激情| 色九月婷婷综合| 色婷婷文字幕| 丁香五月婷婷老师网站| 9久热精品在线视频| 人人摸人人干| 丁香六月婷婷| 另类精品视频在线观看| 五月天婷婷成人网| 五月天婷婷亚洲| 亚洲激情综合五月婷婷啪啪| 四虎婷婷五月天| 久久婷狠狠色| 91九色欧美| 99视频日韩| 色色五月天 亚洲| 亚洲九N| 成人无码髙潮喷水A片| 这里只有精彩视频| 伊人久久婷婷| 啊V视频在线观看| 久久色五月天| 日本99色| 五月激情小说| 思思热在线观看| 天天干 夜夜爽| 五月天五月天激情网| 一区二区三区四区无码| 五月天婷婷伊人| 99热在这里只有免费精品| 激情久久四色| 99爱这里只有精品| A√天堂网在线| 久久这里在精品视频| 国产1区2区3区在线观| 婷婷开心深爱五月天| 97色碰| 久久9视频| 婷婷久久五月| 99精品激情| 一级片sese片.COM| 视频综合网| AAA久久久| 亚洲中文字幕AV| 久久婷婷色| 日本色色色| 91九色在线| 99精品热| 深爱五月激情网| 99视频精品视频| 99热这里只有精品手机在线观看| 亚洲久久视频| 五月丁香av在线| 婷婷免费无视频| 色婷婷六月综合| 伊人丁香花综合影院| 激情五月天小说视频| 五月丁香龟婷婷| 另类五月激情| av人人干| 国产成人在线精品| 99精品在线| 啊v视频在线观看| 夜夜操天天干| 天天干一干| www久视频com| www91色网站| 国产4P视频精品五区| 日韩黄色网络| 色五月综合激情| 婷婷欧美激情综合| 成片免费观看视频大全| 天天日天天狠狠操| www.伊人天堂偷偷婷婷| 丁香五月开心五月激情| 99热8| 久久伦乱| 五月丁香啪啪综合| 极品人妻VIDEOSSS人妻| 亚洲九九99精品视频在线播放| a毛片二逼wwwwwwwwww| 一起草av在线观看| 中美日韩成人在线| 日日天天天| 我爱va亚洲va52| 五月花激情| 久操激情| 日本三级中国三级99人妇网站| 亚洲成人无码专区| 久热伊人在91| 色综合久久99色| 狠狠看狠狠| 色五月成人网| 婷婷激情六月| 色一情一乱一乱一区91Av| 涩涩五月天| 成人草榴视频| 欧美亚洲成人在线| 婷婷色婷婷| 色综合五月婷婷狠狠干| 成人丁香婷婷| 中文字幕黄色片| 国产美女无遮挡裸体毛片A片| 99青青草99| 大香蕉久久婷婷精品综合| 伊人久久婷婷| 欧美成人网婷婷综合在线| 久久婷婷成人综合色怡春院| 丁香五月综合婷婷| 亚洲综合五月| 亚洲岛国电影| 超碰二区| www.久久五月天.com| 婷婷涩涩五月天| AV九九| 久久艹 五月天| 绿色小导航AV| 九九热这里有精品视频| 伊人婷婷五月天av| 久久激情五月婷婷| 九九热av| 国产精品成人AV在线观看春天| 日本 色综合| 99re热精品视频国| 99热精品6| 久久久香| 日日躁夜夜躁狠狠久久AV| 婷婷色基地在线看 | 五月丁香操婷逼| 色五月五月丁香| 婷婷九月在线| 99亚洲天堂| 99碰在线视频| 国产亚洲精品人人| 激情欧美五月丁香| 久久天天| 色播色丁香五月| 97人人草| 婷婷五月天激情在线| 久久综合99| 高清激情av在线观看| 欧美精品999| 亚洲综合狠狠艹| 日韩成人中文字幕| 99久久超级| 超碰99在线观看| 欧美啄木乌丝袜人妻系列| 五月丁香六月激情综合 | 播播网色播播| 日本情色一区二区| 欧美99| 色五月激情婷婷| 日韩无码成人电影| 中日韩狠狠色| 丁香五月婷婷精品视频| 久久婷婷网| aaa久久久| 淫视馆aV二区一区| 狠狠狠狠狠狠狠狠| 色99自拍| 2050人人操免费工开爱| 丁香六月激情| 五月天色婷婷伊人网| 99久久九九| 毛片九九九九九九| 伍月婷丁香婷| 超碰人人99| 色色色五月天婷婷| 开心五月六月婷婷| 色五月涩涩婷婷| co超碰在线观看| 欧美日韩999| 六月婷婷中文字幕| 国产亚洲精品AAAA片APP| 久久精品综合色| 五月丁香久久呀| 99久久激情视频| 婷婷激情四射五月天| 久久香蕉婷婷五月天| 91色综合| 婷婷久久图片 | 婷婷舔| 五月天大香蕉| www.综合久久| 狠婷婷五月| 五月天综合| 黄网免费看| 成年人丁香五月| 人人人操 超碰| site:xiongshengzz.com| www.天天干| 五月丁香狠狠爱婷婷综合| 欧美婷婷五月激情| 97人人射| 午夜丁香综合婷婷| 五月天 另类图片| 精品无码久久久久久久久| 婷婷五月丁香综合亚洲| 五月天天天天天天天天天天天婷婷婷| 操97在线观看| 深爱五月天婷综合| 99精品综合| 亚洲综合另类| 婷婷亚洲欧美丁香五月| 95精品区一区二| 99re思思在线视频| 120分钟婬片免费看| WWW.五月com| 开心五月丁香婷婷| 狠狠狠狠狠狠| 色九月婷婷丁香| 久久人妻视步| 五月婷A V在线| 婷婷激情五月天天天开心| 日韩成人电影AV| 九九精品热播| 五月丁香五月综合欧美| 涩丁香91| 色视五月天婷婷| 五月婷婷色| 色色五月天婷婷| 婷久久| 182TV大香蕉| 婷婷五月六月丁香| 99综合入口| 婷婷五月六月激情| 男同91| 综合久久丁香婷婷,五月婷婷六月丁香,开心激情综合网,六月丁香在线观看,婷婷丁 | 99视频| 97操男人的天堂| 丁香五月开心婷婷| 91在线操逼视频| 婷婷五月天少妇| 激情久久久| 99热国品免费| 亚洲激情五月| 五月丁香成人网| 欧美色色色| 五月丁香婷婷中文| 91蜜桃婷婷狠狠久久综合9色| 女婷久久| 久久思思热| 五月天丁香婷婷社区| 色99在线观看| 六月婷基地| 色色综合激情| 99亚洲视频| www.色综合.com| 伊人久久大香蕉网| 五月丁香 啪啪| 99热综合网| 亚洲综合色色| 日韩99视频| 久久 婷婷 五月天| 亚洲成人网在线观看| 激情综合婷婷| 婷婷五月天成人网| 丁香五月五月婷婷| 99色精品视频| 91中文在线| 都市激情蜜桃婷婷五月天| 99热这里全是精品| 99,色| 操99| 日本va欧美va精品发布视频| 天天狠狠夜夜狠狠2023| 天天操夜夜夜夜爽| 国产精品涩涩涩视频网站| www.五月天婷婷姐姐| 欧美婷婷色| 中国激情网| 91亚洲免费片| 五月天婷婷丁香导航| 毛片新网地| 91婷色| 91综合在线| 久久久18| 丁香五月婷婷成人综合| 婷婷五月丁香亚洲| 牛牛碰免费| 婷婷色一二三区波多野结衣| 五月婷婷在线观看黄| 99热主页日本| 亚洲色频| 亭亭色天香| 亚洲va久久久噜噜噜久久天堂| 天天爽日日爽夜夜爽| 色综合久久88色综合天天| 色五月丁香婷婷| 国产免费一区二区三州老师F1F1| 99热婷婷| 婷婷丁香五月天欧美| 超碰人人摸人人操| 久色欧美| 色五月色图| 激情五月天影院| 狠狠干在线视频| 九九99九九精品视频| 日本VA视频| 久9久成人精品视频| 色婷婷狠狠| 99爱免费在线观看| 俺也去五月婷婷丁| 开心五月深爱激情| 99精品97| 日韩色色视频| 欧美va| 中文字幕五月久久婷婷| www99精品| a69在线视频| www.婷婷激情网.com| 99热免费| 人人澡玖玖一| 北京熟妇搡BBBB搡BBBB| 丁香婷婷色五月天| 91丁香| 九九这里有精品| 台湾佬天天日丁香婷婷五月天 | 综合激情视频| 久9视频| 精品影院| 国产va视频| 天天做天天要天天爱| 婷婷五月激情欧美大胆视频| 日日噜噜夜夜狠狠久久丁香五月| 成人AV在线电影| 男人操女人高潮91视频| 免费观看大片视频 丁香婷婷 六月欧美| 99精品热| www.色五月| 五月天色社区| 精品久久99码| 婷婷色色亚洲| 日本九九视频| 婷婷五月天Av| 影音先锋91男人资源在线播放| 婷婷久久综合久| 五月婷婷之六月丁香| 五月天婷婷丁香花| 激情开心五月天| 色五月天本日| AV在线免费播放| 中文字幕无码AV| 国产综合婷婷| 电影蜘蛛女| 久99久视频精品| 五月丁香六月激情综合 | 五月人人丁香婷婷五月人人丁香| 日日操天堂| 婷婷在线精品| 一本综合丁香日日狠狠色| 日本美女上人| 男女啪啪做爰高潮无遮挡| 婷婷五月天激情免费在线观看| 丁香无月在线观看| 五月丁香六月停停停| 91综合国免费久入| 五月激情基地| 婷婷五月天久久久| 操逼视频网址| 67194成I人在线观看线路1| 丁香激情六月天婷婷| 99re久热只有精品6在线直播.com| 国产AV一区二区三区最新精品| 天天日天天色| 日日婷婷不卡| 色99免费视频中文| 色九九综合| 五月婷婷五月| 婷婷丁香五月天色区| 婷婷涩涩五月天| 激情文学综合婷婷五月天丁香花| 亚洲性爱电影| 久久这里只有精品16| 激情综合区| 九色激情| 欧美25p| 99热在线精品观看| 中文字幕丰满乱孑伦无码专区| www.99免费视频| 婷婷丁香六月| 在线天堂9| 亚州性爱99| 丁香五月天在线视频| 丁香六月亚洲| 蜜桃人妻无码AV天堂三区| 婷婷五月激情的图片| 婷婷五月天亚洲综合网| 99成人网一区| 美女91一起草| 国产露脸150部国语对白| 中文字幕在线资源| 夜夜操天天干| 六月米奇色综合| 欧洲亚洲免费视频9| 超级碰碰碰久久网站视频| 婷婷在线播放| 欧美va视频| 99久久6| 五月激情丁香五月| 四川操逼站| 欧美槡BBBB槡BBB少妇| 97色干| 色五月综合在线| www.五月天婷婷姐姐| 日本一级黄色电影| 大香蕉狠狠爱主页| 超碰九热| 五月丁香久久| 久久精品99| 久播影院免费观看电视剧大全最新网| 六月伊人婷婷| 天天操天天日天天爱| 国产黄色一级片| H亚洲| 无码激情AAAAA片-区区| 99视频久久| 四月婷婷五月丁香| 色色cOm| 激情丁香婷婷五月天| 久久六月天| 九九色天堂| 大操人妻| 色婷婷狠狠| 久久精品99| 91九色精品| 五月丁香成人视频| 秋霞影音91人妻久久| 五月激情精品视频| 九九性视频| 狠狠人妻色综合| 狠狠爱丁香婷| 欧美久久一级内射wwwwww.| 开心五月激情网| 99热这里全是精品| 婷婷噜噜| 夜夜撸天天日| 噜噜噜色噜噜| 天天做天天爱高潮片| 九九综合色| 婷婷欧美综合| 日韩高清久久| 日本 色综合| 9色小视频在线观看| 激情婷婷丁香| 熟女少妇内射日韩亚洲| 久色网| 久久久人妻| 97人人操在线| 日本久久人| 操骚货在线| 久热这里只有精品视频免费观看| 五月综合缴情网| 婷婷五月婷婷五月| hd五月婷婷在线| 五月婷婷天天色| 青草性爱视频| 综合久久婷婷五月丁香| 婷婷五月天成人网| www.99久久久| caop在线视频| 在线网黄| 大香蕉五月天婷婷丁香91| 99精品一二三四视频| 色玖玖玖| 97婷婷五月激情六月丁香伊人| 久久九九囯产| www.色欲丁香婷婷| 色婷婷狠狠18yy| 色婷婷91激情小说| www.第四色99| AV成人在线网站| 国产美女无遮挡裸体毛片A片| 男女啪啪做爰高潮无遮挡| 久久色情| 公的粗大挺进了我的密道| 欧美经典片免费观看大全| 韩国真做片在线观看| 99 re视频一区| 婷婷97C| 在线超碰免费| 色激情网| 日本大逼91| 久久天堂婷婷五月| 免费成人网在线观看| 97在线日本| 中文字幕高清av| 婷婷五月天性色| 日韩丰满少妇无码内射| 国产乱妇无乱码大黄AA片| 色狠狠色噜噜AV天堂五区| 国产黄大片在线观看画质优化| 国产乱子轮XXX农村| 日日影院 | 狠狠色丁香乆乆| 无码免费人妻A片AAA毛片西瓜| AAA级久久久精品| 久综合4| 五月婷婷久草| 九九在线91| 东北黄色一级| 亚洲一区二区无遮挡A片| 99人妻碰碰碰久久久久视| 日韩超碰在线| 色五月婷婷中文字幕| 麻豆科斗777| 91视屏在线观看com.wwwvv| 99在线看片| 色婷婷裸体色性在线| 人人射人人高潮| 激情五月天视频| www99精品| 五月色亚洲| 欧美搡BBBBB摔BBBBB| 色综色网| 亚洲AV电影av| a九九热www| 久久婷婷五月天| 久久五月婷综合网| 国产,欧美,日韩,性爱| 色香欲综合| 无码色| 天干夜夜操| 色色热| 伊人热在线大香蕉| 青青色com久久| 一起草aV| 丁香五月电影| 丁香六月婷婷综合麻豆| 99热中文字幕久久| 91肏| 深爱激情六月天| 天天干天天干天天干| 91碰免费视频| 亚洲有码在线视频| 伊人碰碰碰| 激情开心五月婷婷| 久久综合天天综合| 97色欧美| 美日韩成人| 色色婷婷综合| 我去色色网五雨天| 亚洲AV综合在线观看| 欧美丁香六月激情视频|