在圖像處理領(lǐng)域中,圖像風(fēng)格遷移是一種借助計(jì)算機(jī)技術(shù)來處理圖像的色彩、輪廓、線條等信息來改變圖像效果的技術(shù)。近年來隨著機(jī)器學(xué)習(xí)的發(fā)展,使用深度神經(jīng)網(wǎng)絡(luò)來進(jìn)行圖像風(fēng)格遷移取得了良好的效果。但傳統(tǒng)的圖像風(fēng)格遷移方法,還存在著風(fēng)格表現(xiàn)不夠明顯、內(nèi)容和風(fēng)格分離不夠清晰、對高分辨率的圖片細(xì)節(jié)表現(xiàn)不好、對低分辨率的圖片出現(xiàn)偽影等問題。本文基于深度神經(jīng)網(wǎng)絡(luò),在研究現(xiàn)有網(wǎng)絡(luò)的基礎(chǔ)上,在圖像處理領(lǐng)域的圖像風(fēng)格遷移方面設(shè)計(jì)了兩種新的網(wǎng)絡(luò),讓圖像進(jìn)行風(fēng)格遷移后的表現(xiàn)效果更好。本文的主要工作包含三個方面:（1）本文在基于用VGG網(wǎng)絡(luò)提取特征的風(fēng)格遷移轉(zhuǎn)換網(wǎng)絡(luò)的基礎(chǔ)上加入一個判別器和一個轉(zhuǎn)換塊,設(shè)計(jì)了一種新的模型、提出了新的損失函數(shù)來改進(jìn)原網(wǎng)絡(luò)。將判別器和轉(zhuǎn)壞塊組成的網(wǎng)絡(luò)加入到深度神經(jīng)網(wǎng)絡(luò)中的生成網(wǎng)絡(luò)的參數(shù)訓(xùn)練過程中,讓生成網(wǎng)絡(luò)的參數(shù)向更優(yōu)良的風(fēng)格遷移效果的方向優(yōu)化,得到更好的風(fēng)格遷移模型,從而生成風(fēng)格化效果更好的風(fēng)格遷移轉(zhuǎn)換結(jié)果。（2）本文基于Artsiom等人提出了基于編碼-解碼器的模型,設(shè)計(jì)了一個新的風(fēng)格遷移模型,提出一種新的風(fēng)格編碼器,將原先的單一編碼器增加為新的內(nèi)容編碼器和風(fēng)格編碼器。風(fēng)格編碼器提取的風(fēng)... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【部分圖文】：

藝術(shù)風(fēng)格示例

電子科技大學(xué)碩士學(xué)位論文21.2.1風(fēng)格遷移的起源藝術(shù)風(fēng)格就是藝術(shù)家的創(chuàng)造個性與藝術(shù)作品的語言、情境交互作用所呈現(xiàn)出的相對穩(wěn)定的整體性藝術(shù)特色。如圖1-1所示，每一張圖都是一種不同的藝術(shù)風(fēng)格。作為非藝術(shù)專業(yè)的人，每個人都有每個人對于風(fēng)格的見解，如何要把一個圖像的風(fēng)格變成另一種風(fēng)格更是難以定義的問題。對于程序員，特別是對于機(jī)器學(xué)習(xí)方面的程序員來說，到底怎么把一個說都說不清的東西變成一個可執(zhí)行的程序，是困擾了很多圖像風(fēng)格遷移方面的研究者的問題。圖1-1藝術(shù)風(fēng)格示例在神經(jīng)網(wǎng)絡(luò)之前，圖像風(fēng)格遷移的程序有一個共同的思路，那就是分析某一種風(fēng)格的圖像，給那一種風(fēng)格建立一個數(shù)學(xué)或者統(tǒng)計(jì)模型，再改變要做遷移的圖像讓它能更好的符合建立的模型。這樣做出來效果還是不錯的，比如圖1-2中的三張圖，左邊是待轉(zhuǎn)換的內(nèi)容圖，中間是延時視頻數(shù)據(jù)庫，數(shù)據(jù)庫的內(nèi)容是不同時間點(diǎn)的視頻素材，然后，我們在這個數(shù)據(jù)庫中，找到一天中與輸入圖像相同的時間，在此定位一幀，并在所需的輸出時間定位另一鄭最后，通過一種基于局部仿射變換的轉(zhuǎn)移技術(shù)，將內(nèi)容圖轉(zhuǎn)換為了另一個時間點(diǎn)的風(fēng)格圖，也就是最右邊的圖。但傳統(tǒng)風(fēng)格遷移一個很大的缺點(diǎn)是，一個程序基本只能做某一種風(fēng)格或者某一個場景。因此基于傳統(tǒng)風(fēng)格遷移研究的實(shí)際應(yīng)用非常有限。圖1-2傳統(tǒng)風(fēng)格遷移示例

第二章風(fēng)格遷移相關(guān)理論知識7提取器需要手工設(shè)計(jì)并選擇特征，這種特征選擇的方法低效而復(fù)雜，而且很難知道設(shè)計(jì)的特征是否是最優(yōu)的特征。而深度學(xué)習(xí)網(wǎng)絡(luò)基于數(shù)據(jù)驅(qū)動的學(xué)習(xí)方式，能夠完成特征的自動選擇和提齲即將特征的選擇和提取融入到一個網(wǎng)絡(luò)中，特征的選擇也成為了一個可學(xué)習(xí)的過程。神經(jīng)網(wǎng)絡(luò)提取特征的方法類似于人類視覺系統(tǒng)處理信息的過程，是一個不斷遞進(jìn)的過程。圖2-1是對一個具體的人臉識別網(wǎng)絡(luò)不通層級的特征的可視化結(jié)果。網(wǎng)絡(luò)的輸入是像素值構(gòu)成的矩陣，在網(wǎng)絡(luò)的低層級處網(wǎng)絡(luò)提取一些邊緣和梯度信息，這些低級特征通過組合構(gòu)成了人臉的五官的形態(tài)，而這些中間層級的特征組合起來就是最終的用于區(qū)分每一個人身份的整個人臉的特征。圖2-1神經(jīng)網(wǎng)絡(luò)提取特征原理有研究表明深度學(xué)習(xí)這種有層次的特征提取方式十分類似于人類的大腦的視覺皮層的運(yùn)作方式，即是一個由簡單到復(fù)雜，由局部到整體，不斷抽象的過程。隨著網(wǎng)絡(luò)層級的深入，學(xué)習(xí)到的特征語義也越來越明確。而且這種特征提取的過程是可學(xué)習(xí)的，通過不斷的訓(xùn)練，網(wǎng)絡(luò)能丟棄一些無用的特征，從而學(xué)習(xí)到越來越優(yōu)的特征。2.2.2卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)是一種帶有卷積結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)，它的發(fā)展基本上和深度學(xué)習(xí)的發(fā)展息息相關(guān)。在2012年的ImageNet圖像分類競賽中，Alex設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)將圖像分類錯誤記錄從26%降低到15%，這在當(dāng)時是一個相當(dāng)驚人的進(jìn)步。卷積神經(jīng)網(wǎng)絡(luò)通過參數(shù)共享有效減少網(wǎng)絡(luò)的參數(shù)量，緩解模型的過擬合問題，使得訓(xùn)練針對圖像這樣的高維數(shù)據(jù)的大規(guī)模深度網(wǎng)絡(luò)成為可能。并在計(jì)算機(jī)視覺的各個任務(wù)中，并取得了傳統(tǒng)方法無法比擬的成績。卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力來源于其精心設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)以及設(shè)定合適的學(xué)習(xí)目標(biāo)。人們試圖通過堆疊不同數(shù)量的層級，設(shè)計(jì)


本文編號：3270520