中國傳統(tǒng)文化具有悠久的歷史、獨特的魅力及深厚的群眾基礎(chǔ),戲曲、書法、繪畫等都是表現(xiàn)和傳承中華優(yōu)秀傳統(tǒng)文化的重要載體。戲曲服飾圖案數(shù)字化及新風(fēng)格生成具有重要的意義,然而現(xiàn)存的數(shù)字化技術(shù)形式單調(diào),人工設(shè)計難度大且效率低,本文基于卷積神經(jīng)網(wǎng)絡(luò),將傳統(tǒng)文化與數(shù)字技術(shù)相融合,對傳統(tǒng)服飾的樣式進(jìn)行創(chuàng)新。大多數(shù)已有的風(fēng)格遷移算法都是基于西方油畫作品風(fēng)格進(jìn)行遷移,紋理過度抽象不適合戲曲等中華文化元素的表現(xiàn)形式,可遷移的風(fēng)格特征單一,且逐幀生成視頻藝術(shù)化輸出產(chǎn)生的抖動影響輸出效果。本文進(jìn)一步改進(jìn)了相關(guān)網(wǎng)絡(luò)結(jié)構(gòu)及損失函數(shù),主要工作如下:提出通過調(diào)節(jié)內(nèi)容損失函數(shù)和風(fēng)格損失函數(shù)得到不同程度風(fēng)格化的圖像,并針對卷積網(wǎng)絡(luò)框架的選擇及對應(yīng)特征層的選取方面進(jìn)行優(yōu)化。首次將風(fēng)格遷移與傳統(tǒng)服飾圖像相結(jié)合,為更好展示其藝術(shù)化效果,在原有損失函數(shù)的基礎(chǔ)上加入了新的損失函數(shù),和Prisma的對比實驗結(jié)果對比表明,本文處理后的圖像更加平滑,解決了線條扭曲的過度抽象化現(xiàn)象。解決了單一風(fēng)格傳輸?shù)膯栴},實現(xiàn)了多種風(fēng)格的藝術(shù)化遷移,設(shè)計新的損失函數(shù)獲得一個新的風(fēng)格特征以豐富傳統(tǒng)文化的表現(xiàn)形式,改變不同風(fēng)格的權(quán)重系數(shù)可以使最終的遷移風(fēng)格趨... 

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 引言
    1.2 課題研究背景與意義
        1.2.1 傳統(tǒng)風(fēng)格遷移方法的缺陷
        1.2.2 基于深度學(xué)習(xí)的風(fēng)格遷移方法
    1.3 國內(nèi)外研究現(xiàn)狀
        1.3.1 基于在線圖像優(yōu)化的傳統(tǒng)風(fēng)格遷移
        1.3.2 基于離線模型的快速圖像風(fēng)格遷移
    1.4 主要研究內(nèi)容
2 深度學(xué)習(xí)相關(guān)技術(shù)介紹
    2.1 深度學(xué)習(xí)的基本思想
        2.1.1 人腦視覺感知機(jī)制與MP模型
        2.1.2 感知機(jī)與反向傳播
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 卷積層
        2.2.2 激活函數(shù)
        2.2.3 感受野與池化層
    2.3 VGGNet
    2.4 本章小結(jié)
3 基于卷積神經(jīng)網(wǎng)絡(luò)的傳統(tǒng)服飾圖像風(fēng)格遷移
    3.1 風(fēng)格遷移算法的基本思想
    3.2 基于在線圖像優(yōu)化的傳統(tǒng)風(fēng)格遷移
        3.2.1 激活函數(shù)的選擇
        3.2.2 特征風(fēng)格的生成
    3.3 基于離線模型優(yōu)化的快速風(fēng)格遷移
        3.3.1 批量標(biāo)準(zhǔn)化、實例標(biāo)準(zhǔn)化和條件特征實例歸一化
    3.4 中國傳統(tǒng)文化元素風(fēng)格遷移藝術(shù)化生成
        3.4.1 梯度下降算法的實現(xiàn)
        3.4.2 實驗結(jié)果與分析
    3.5 多風(fēng)格遷移
4 視頻風(fēng)格遷移的改進(jìn)
    4.1 視頻風(fēng)格遷移相關(guān)研究
    4.2 快速視頻風(fēng)格遷移
5 系統(tǒng)實現(xiàn)
    5.1 開發(fā)運行環(huán)境
    5.2 系統(tǒng)界面設(shè)計與實現(xiàn)
    5.3 本章小結(jié)
6 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間主要研究成果


【參考文獻(xiàn)】：
期刊論文
[1]不同池化模型的卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)性能研究[J]. 劉萬軍,梁雪劍,曲海成.  中國圖象圖形學(xué)報. 2016(09)
[2]深度學(xué)習(xí)研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計算機(jī)應(yīng)用研究. 2012(08)
[3]基于圖像的非真實感藝術(shù)繪制技術(shù)綜述[J]. 錢小燕.  工程圖學(xué)學(xué)報. 2010(01)

碩士論文
[1]基于深度學(xué)習(xí)的圖像風(fēng)格藝術(shù)化[D]. 喬麗莎.西安理工大學(xué) 2018
[2]基于深度學(xué)習(xí)的圖像與視頻風(fēng)格化研究與實現(xiàn)[D]. 操江峰.中國科學(xué)院大學(xué)(中國科學(xué)院工程管理與信息技術(shù)學(xué)院) 2017



本文編號：3676712