基于生成对抗网络的图像风格转换方法研究

发布时间：2021-02-12 01:52

　　随着深度学习的崛起,基于深度学习的图像风格转换模型得以快速发展并具有广泛的应用,又在生成网络模型生成对抗网络的促进下,基于生成对抗网络的图像风格转换模型能力又进一步提升。然而作为艺术创作的辅助工具还远远达不到要求,基于生成对抗网络的图像风格转换模型存在转换的图像质量不理想以及网络模型不稳定的问题。本文针对以上问题,对CycleGAN做出改进。CycleGAN是无监督的图像转换模型,虽然CycleGAN无需成对的数据集就可以进行训练,并可以快速风格化图像,但是模型本身还是遗存传统生成对抗网络的缺点,例如模式崩溃、训练不够稳定、图像风格化质量不高。本文针对模型做出两点改进,首先在判别器中引入谱归一化,谱归一化的作用是对卷积后的参数矩阵进行谱范数标准化,这样就使神经网络被限制在一个范围内,以达到对判别器施加1-lipschitz限制,从而使函数更加平滑。其次我们针对生成器也做出改进,在生成器中加入了新型的残差结构,新型残差结构通过对激活函数、卷积层以及归一化操作的合理搭配来达到优化信号传播,减小训练误差,并通过恒等映射以保证梯度平滑、网络稳定。最后通过一组消融实验以及四种不同艺术风格的数据结... 

【文章来源】：南昌大学江西省 211工程院校

【文章页数】：57 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外相关研究现状
        1.2.1 生成对抗网络理论研究现状
        1.2.2 生成对抗网络应用研究现状
        1.2.3 图像风格转化研究现状
    1.3 本文研究内容
    1.4 本文组织架构
第2章 生成对抗网络
    2.1 生成对抗网络基本原理
        2.1.1 生成对抗网络核心思想
        2.1.2 生成对抗网络目标函数
        2.1.3 生成对抗网络训练过程
    2.2 基于生成对抗网络的图像风格转换
        2.2.1 有监督的生成对抗网络图像风格转换
        2.2.2 无监督的生成对抗网络图像风格转换
第3章 基于生成对抗网络的艺术风格转换模型
    3.1 关键技术
        3.1.1 谱归一化
        3.1.2 ResNetV2
    3.2 模型结构
        3.2.1 生成器网络结构
        3.2.2 判别器网络结构
    3.3 实验结果及分析
        3.3.1 实验环境介绍
        3.3.2 实验数据集
        3.3.3 实验参数设置
        3.3.4 评价标准和对比方法
        3.3.5 实验对比及分析
    3.4 本章小结
第4章 基于生成对抗网络的注意力动漫风格转换模型
    4.1 关键技术
        4.1.1 注意力机制
    4.2 网络结构
        4.2.1 生成器、判别器网络结构
    4.3 实验结果与分析
        4.3.1 实验数据集
        4.3.2 实验参数设置
        4.3.3 对比方法
        4.3.4 实验对比与分析
    4.4 本章小结
第5章 结论与展望
    5.1 结论
    5.2 展望
致谢
参考文献



本文编号：3030063