论文部分内容阅读
绘画是艺术创作重要的视觉表现形式之一,而绘画风格可以用于表现绘画的文化创作背景和艺术特征,是各门类艺术绘画派系最直接的特征表现。在过去,艺术绘画的创作需要训练有素的专业人员和大量的时间。随着计算机技术的发展,借助计算机的图像处理能力可以出色地完成图像艺术创作的任务。传统的图像风格迁移方法在视觉效果上难以符合实际应用的要求,而深度学习的出现很大程度上改变了这种状况。其中,卷积神经网络是目前在图像处理方面功能最强大、效果最好的模型,能够有效地提取图像中的高层抽象特征表示,极大地提升了图像风格迁移的艺术视觉效果。然而,深度学习是一个重量级的机器学习算法,拥有着庞大的超参数空间,在实际应用中对计算效率的要求苛刻。这很大程度上限制了基于深度学习的图像风格迁移方法在工业应用中的进一步推广。另外,深度学习的内部仍然是一个黑盒,其超参数空间的数学意义目前仍无法理解。这对进一步提升图像风格迁移的视觉效果增加了极大的难度。本文对目前主要的基于深度学习的图像风格迁移方法进行了深入研究与探讨,发现并提出了相关问题的改善方法。本文的主要工作包含以下三个方面:(1)本文系统地描述了基于深度学习的图像风格迁移方法的相关技术,探索了用于图像风格迁移的特征提取器的基本结构与核心原理,将目前主流的基于深度学习的图像风格迁移方法归纳为基于图像迭代和基于模型迭代,介绍了具有代表性的方法及其基本思想。(2)基于颜色保留的图像风格迁移是一个典型的应用案例,本文在对现有的方法进行了有效性分析的基础上,提出了一种基于Lab颜色空间的参数化颜色迁移方法,并且在图像风格迁移过程中引入基于L2范数的总变分正则化来提高合成图像的空间平滑度。实验结果表明,本文方法能有效地解决合成图像中不自然和散斑的问题,获得了可观的视觉效果。(3)图像平滑是数字图像处理中常用的技术,但是在基于深度学习的图像风格迁移中,传统的图像平滑处理方法的效果并不理想。本文基于考虑全局和局部的空间平滑性,使用半监督学习的方法进行风格化图像平滑处理。该方法利用了内容图像和风格化图像的内在结构特征的相似性,对风格化图像进行像素间的平滑传递,实现了风格化图像的平滑处理。实验结果表明,半监督学习的方法可以有效地改善风格化图像的质量。