基于深度學習的圖像風格遷移是目前數(shù)字圖像處理領域中的新興研究熱點。傳統(tǒng)的圖像風格方法的數(shù)學建模過程復雜,而且風格化圖像合成的效果欠佳。相比之下,基于深度學習的圖像風格遷移方法具有功能強大、效果出色、模式靈活等優(yōu)勢,并取得了一系列備受關注的突破性成果。通過深度學習來構造的圖像高層抽象特征空間可以有效地分離和重組圖像特定抽象特征,進而能夠成功完成效果出色的圖像風格遷移任務。在2015年,Gatys等人開創(chuàng)性地提出了使用卷積神經(jīng)網(wǎng)絡模型作為特征提取器的圖像風格遷移方法,實現(xiàn)了效果驚艷的圖像風格遷移。該方法的基本思想是對圖像數(shù)據(jù)進行特征擬合,首先將預訓練的VGG-19卷積神經(jīng)網(wǎng)絡模型作為特征提取器,然后對內容圖像的內容抽象特征表示和風格圖像的風格抽象特征表示進行分離和重構,最后融合成新的風格化圖像。但是,Gatys等人的方法過于依賴特征提取器,而且風格化圖像的效果不夠逼真,其特征獲取的方式較為固定。因此,本文選用生成式對抗網(wǎng)絡的方法來實現(xiàn)圖像風格遷移,而生成式對抗網(wǎng)絡的基本思想是對圖像數(shù)據(jù)的分布散度進行擬合,旨在獲得高質量、高逼真度的視覺效果。本文在研究分析具有代表性的卷積神經(jīng)網(wǎng)絡模型和生成式... 

【文章來源】：廣東工業(yè)大學廣東省

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
    1.2 國內外研究現(xiàn)狀
    1.3 論文主要研究內容及章節(jié)安排
第二章 相關技術
    2.1 卷積神經(jīng)網(wǎng)絡
        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 生成式對抗網(wǎng)絡
        2.2.1 GANs(Generative Adversarial Nets)
        2.2.2 Wasserstein GAN
        2.2.3 LSGANs
        2.2.4 Cycle GAN
    2.3 神經(jīng)風格遷移
    2.4 本章小結
第三章 有監(jiān)督的圖像風格遷移
    3.1 中文字體風格遷移方法
        3.1.1 字體風格遷移基本方法
        3.1.2 一對一字體風格遷移方法
        3.1.3 多對多字體風格遷移方法
    3.2 實驗結果與評估
        3.2.1 實驗平臺與數(shù)據(jù)
        3.2.2 網(wǎng)絡模型的實現(xiàn)詳情
        3.2.3 一對一字體風格遷移
        3.2.4 多對多字體風格遷移
        3.2.5 模型的泛化性評估
    3.3 本章小結
第四章 無監(jiān)督的圖像風格遷移
    4.1 基于圖像蒙板的無監(jiān)督圖像風格遷移
        4.1.1 內置蒙板的基本原理
        4.1.2 改進的Cycle GAN
        4.1.3 生成式模型的設計
    4.2 實驗結果與評估
        4.2.1 實驗平臺
        4.2.2 實驗數(shù)據(jù)與處理
        4.2.3 網(wǎng)絡模型實現(xiàn)詳情
        4.2.4 實驗結果對比
    4.3 本章小結
總結與展望
    論文工作總結
    未來展望
參考文獻
攻讀學位期間發(fā)表的論文
致謝


【參考文獻】：
期刊論文
[1]生成式對抗網(wǎng)絡GAN的研究進展與展望[J]. 王坤峰,茍超,段艷杰,林懿倫,鄭心湖,王飛躍.  自動化學報. 2017(03)
[2]深度學習應用技術研究[J]. 毛勇華,桂小林,李前,賀興時.  計算機應用研究. 2016(11)
[3]深度學習研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計算機應用研究. 2012(08)



本文編號：3207004