生成式对抗网络的风格迁移技术研究与应用

发布时间：2024-02-14 00:38

　　风格迁移是将一种图像内容语义与另一种图像风格语义融合在一起,最终形成新图像的处理方法。在人们喜欢通过图像对自己的想法和情感进行表达的当今社会具有一定的商业价值。同时,训练得当也可以完成图像生成、语义分割、拓展数据集等计算机视觉任务,具有研究价值。已有的风格迁移算法分别是通过人工建模的传统风格迁移和基于深度学习的风格迁移技术。传统的风格迁移更适用于对固定纹理的输出,泛用性不高,并且叠加效果过于生硬。基于深度学习的风格迁移技术能够分离图像的内容语义特征和风格语义特征,效果与传统风格迁移相比优秀很多。但整体仍处于发展进程中。本文提出的结合胶囊的环形生成式对抗网络是在环形生成式对抗网络的基础上,引入胶囊的概念。通过结合胶囊概念和卷积层,对环形生成式对抗网络结构进行规划和调整,实现胶囊和卷积混合的判别器。目的是明确特征之间的相对关系,得到稳定的图像风格迁移。环形生成式对抗网络包括两个生成器和两个判别器,分别负责两个图像域之间的转换和真假判别。因为卷积神经网络池化等缘故产生的不变性会导致模丢失了各个特征之间的相对关系,所以本文将胶囊结构引入底层网络结构中,实现特征的同变性。经过实验,采用胶囊和卷积...

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

图1-1早期纹理深度学习的发展带动了风格迁移的又一次跨越式进展

第一章绪论2研究者们最初将图像的风格看作是图像纹理，图像基于物理模型或传统非参数的数学模型的方式实现风格迁移。后随着深度学习的发展，风格迁移迎来了一次跨越式进展。基于卷积神经网络的图像风格迁移引起业界广泛关注。1.2研究现状1.2.1风格迁移研究现状风格迁移研究的初始是通过传统非....

图1-2人工智能的发展历程

第一章绪论5自主移动的机器人。但因为庞大的计算量与当时能够提供的计算生产力不符，需要的经验和信息数据也格外庞大，所以人工智能无法继续推进，迎来了第一次寒潮。二十世纪八十年代，很多学者将反向传播算法用于神经网络[25][26]，解决了单层感知器不能解决的异或问题，为后续的研究和应用....

图1-3人工智能的两个阶段

第一章绪论6游、海底探索都一项项随着科技的进步成为现实。在科幻作品中，不论是控制无人驾驶骑车进行的犯罪，还是对关于拥有自我意识机器人的伦理探讨，“人工智能”都是不可不提的词汇。尤其是在达成真正的“人工智能”这一过程中，已经出现的人机对弈、智能识别、自动驾驶、专家系统、语言处理等众....

图1-4生成人脸图像

第一章绪论9由Karras提出的风格生成式对抗网络（Style-GAN）因为人脸生成的逼真程度点燃了人们的激情。风格生成式对抗网络提出了一个新的生成结构。标准的生成器只需要将潜在编码作为输入，但风格生成式对抗网络首先将潜在编码放入非线性映射网络进行处理，生成潜在空间。再通过在每层....

本文编号：3897467