摘要：针对目前生成动画图像质量较低、内容失真、视觉效果有待进一步提升等问题,本文在Generative Adversarial Networks for Photo Cartoonization(CartoonGAN)网络的基础上提出了一种动漫风格迁移的网络模型。首先通过引入预训练模型ResNet-101对内容损失函数进行训练,加快训练速度的同时保证真实图片内容的完整性;然后在生成器模块加入激励挤压模块(SE-Block),实现在特征提取中保留空间特征和通道特征,使得生成的图片更易被判别器区分,从而更好地训练判别器。最后,进行了定性比较和定量分析,结果表明本文所提算法能够有效提升训练速度、提高漫画图像生成质量和增强图像的抽象感,且IS、FID的得分分别为11.2和86。

摘要：针对现阶段由素描头像生成的彩色头像图像清晰度低、人脸识别率不高和视觉质量不佳等问题,提出一种改进CycleGAN的素描头像彩色化算法:对U-Net自编码器的第一个特征提取模块进行优化,设计一种多尺度自注意力机制特征提取模块,从多个尺度提取输入图像以减少输入图像的细节信息丢失,将提取的特征用通道堆叠的方式进行特征融合,对融合的特征嵌入SENet自注意力机制,以引导模型对特征重点区域的关注度,最后再降低融合特征的通道维数;对生成头像与真实头像添加L1像素损失和感知损失,以进一步提升生成头像的质量.实验结果表明:较基础模型CycleGAN生成的彩色头像,在CUHK数据集FID值降低了22.23、Rank-1值提高了16%,在AR数据集FID值降低了15.34、Rank-1值提高了9.3%.