基于生成式对抗网络的图像风格迁移研究

发布时间：2021-05-26 20:19

　　基于深度学习的图像风格迁移是目前数字图像处理领域中的新兴研究热点。传统的图像风格方法的数学建模过程复杂,而且风格化图像合成的效果欠佳。相比之下,基于深度学习的图像风格迁移方法具有功能强大、效果出色、模式灵活等优势,并取得了一系列备受关注的突破性成果。通过深度学习来构造的图像高层抽象特征空间可以有效地分离和重组图像特定抽象特征,进而能够成功完成效果出色的图像风格迁移任务。在2015年,Gatys等人开创性地提出了使用卷积神经网络模型作为特征提取器的图像风格迁移方法,实现了效果惊艳的图像风格迁移。该方法的基本思想是对图像数据进行特征拟合,首先将预训练的VGG-19卷积神经网络模型作为特征提取器,然后对内容图像的内容抽象特征表示和风格图像的风格抽象特征表示进行分离和重构,最后融合成新的风格化图像。但是,Gatys等人的方法过于依赖特征提取器,而且风格化图像的效果不够逼真,其特征获取的方式较为固定。因此,本文选用生成式对抗网络的方法来实现图像风格迁移,而生成式对抗网络的基本思想是对图像数据的分布散度进行拟合,旨在获得高质量、高逼真度的视觉效果。本文在研究分析具有代表性的卷积神经网络模型和生成式... 

【文章来源】：广东工业大学广东省

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 论文主要研究内容及章节安排
第二章 相关技术
    2.1 卷积神经网络
        2.1.1 Alex Net
        2.1.2 VGG
        2.1.3 Goog Le Net
        2.1.4 Res Net
        2.1.5 Inception-v4
    2.2 生成式对抗网络
        2.2.1 GANs(Generative Adversarial Nets)
        2.2.2 Wasserstein GAN
        2.2.3 LSGANs
        2.2.4 Cycle GAN
    2.3 神经风格迁移
    2.4 本章小结
第三章 有监督的图像风格迁移
    3.1 中文字体风格迁移方法
        3.1.1 字体风格迁移基本方法
        3.1.2 一对一字体风格迁移方法
        3.1.3 多对多字体风格迁移方法
    3.2 实验结果与评估
        3.2.1 实验平台与数据
        3.2.2 网络模型的实现详情
        3.2.3 一对一字体风格迁移
        3.2.4 多对多字体风格迁移
        3.2.5 模型的泛化性评估
    3.3 本章小结
第四章 无监督的图像风格迁移
    4.1 基于图像蒙板的无监督图像风格迁移
        4.1.1 内置蒙板的基本原理
        4.1.2 改进的Cycle GAN
        4.1.3 生成式模型的设计
    4.2 实验结果与评估
        4.2.1 实验平台
        4.2.2 实验数据与处理
        4.2.3 网络模型实现详情
        4.2.4 实验结果对比
    4.3 本章小结
总结与展望
    论文工作总结
    未来展望
参考文献
攻读学位期间发表的论文
致谢


【参考文献】：
期刊论文
[1]生成式对抗网络GAN的研究进展与展望[J]. 王坤峰,苟超,段艳杰,林懿伦,郑心湖,王飞跃.  自动化学报. 2017(03)
[2]深度学习应用技术研究[J]. 毛勇华,桂小林,李前,贺兴时.  计算机应用研究. 2016(11)
[3]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正.  计算机应用研究. 2012(08)



本文编号：3207004