發(fā)布時間：2021-07-04 16:14

　　繪畫是藝術(shù)創(chuàng)作重要的視覺表現(xiàn)形式之一,而繪畫風格可以用于表現(xiàn)繪畫的文化創(chuàng)作背景和藝術(shù)特征,是各門類藝術(shù)繪畫派系最直接的特征表現(xiàn)。在過去,藝術(shù)繪畫的創(chuàng)作需要訓練有素的專業(yè)人員和大量的時間。隨著計算機技術(shù)的發(fā)展,借助計算機的圖像處理能力可以出色地完成圖像藝術(shù)創(chuàng)作的任務(wù)。傳統(tǒng)的圖像風格遷移方法在視覺效果上難以符合實際應(yīng)用的要求,而深度學習的出現(xiàn)很大程度上改變了這種狀況。其中,卷積神經(jīng)網(wǎng)絡(luò)是目前在圖像處理方面功能最強大、效果最好的模型,能夠有效地提取圖像中的高層抽象特征表示,極大地提升了圖像風格遷移的藝術(shù)視覺效果。然而,深度學習是一個重量級的機器學習算法,擁有著龐大的超參數(shù)空間,在實際應(yīng)用中對計算效率的要求苛刻。這很大程度上限制了基于深度學習的圖像風格遷移方法在工業(yè)應(yīng)用中的進一步推廣。另外,深度學習的內(nèi)部仍然是一個黑盒,其超參數(shù)空間的數(shù)學意義目前仍無法理解。這對進一步提升圖像風格遷移的視覺效果增加了極大的難度。本文對目前主要的基于深度學習的圖像風格遷移方法進行了深入研究與探討,發(fā)現(xiàn)并提出了相關(guān)問題的改善方法。本文的主要工作包含以下三個方面:（1）本文系統(tǒng)地描述了基于深度學習的圖像風格遷移方法的... 

【文章來源】：廣東工業(yè)大學廣東省

【文章頁數(shù)】：60 頁

【學位級別】：碩士

【部分圖文】：

Gatys的圖像風格遷移

第一章 緒論人們各式各樣的需求。在傳統(tǒng)的圖像風格遷移方法中，風格遷移的實現(xiàn)著重于物體模型的繪制和圖像紋理的合成。Efros 等人[5]提出了一種簡單地通過對樣本紋理進行拼接和重組以合成新紋理的算法。Hertzmann 等人[6]提出了一種基于類推思想的方法，該方法通過圖像類比特征的映射關(guān)系合成具有新紋理的圖像。張海嵩等人[7]運用多層紋理陣列、國畫光照模型、提取輪廓線等模塊，實時繪制 3D 中國畫效果的山巒場景。錢小燕等人[8]提出了一種鄰域一致性度量方法，通過把統(tǒng)計特性引入相似性度量中，以提高圖像匹配點搜索的效率。雖然，這些方法在處理結(jié)構(gòu)簡單的圖像上已經(jīng)獲得了可觀的效果，但是在處理顏色和紋理較復(fù)雜的圖像時，產(chǎn)生的效果難以符合實際需求。而深度學習的出現(xiàn)徹底改變了這種狀況，極大地推動了圖像風格遷移的發(fā)展。

圖 2-1 VGG-19 模型Fig 2-1 VGG-19 model網(wǎng)絡(luò)模型相比，VGG 模型的準確度顯著提升，而且大幅度減少了網(wǎng)絡(luò)訓練參數(shù)，因而受到了廣泛的關(guān)注。在 VGG 模型中總共有 6 種網(wǎng)絡(luò)模型參數(shù)的配置方法，每一種配置方法在結(jié)構(gòu)上非常相似。其中，VGG-16 和 VGG-19 的模型性能較好，卷積神經(jīng)網(wǎng)絡(luò)層之間直接通過 1*1 的卷積核進行堆疊相連，能夠以較小的計算代價增加了非線性的超參數(shù)空間，大大加強了模型的特征分層能力。Gatys 等人最早將預(yù)訓練的 VGG-19 模型作為特征提取器，具體模型如圖 2-1 所示。給定的輸入圖像在特征提取器的中間層中會被處理成一組濾波特征向量，即抽象特征表示。圖像特征可以通過僅知道特定中間層的抽象特征表示來進行重建，以此來可視化神經(jīng)網(wǎng)絡(luò)模型中不同層對于圖像信息的處理方式。在 VGG-19 卷積神經(jīng)網(wǎng)絡(luò)模型中，常用于重構(gòu)圖像內(nèi)容特征的中間層有’conv4_2’，常用于重構(gòu)圖像風格特征的中間層有’conv1_1’ ，’conv2_1’， ’conv3_1’，’conv4_1’，’conv5_1’。這些中間層能夠有效地

【參考文獻】：
期刊論文
[1]深度學習應(yīng)用技術(shù)研究[J]. 毛勇華,桂小林,李前,賀興時.  計算機應(yīng)用研究. 2016(11)
[2]快速風格遷移[J]. 錢小燕,肖亮,吳慧中.  計算機工程. 2006(21)
[3]實時繪制3D中國畫效果[J]. 張海嵩,尹小勤,于金輝.  計算機輔助設(shè)計與圖形學學報. 2004(11)



本文編號：3265113