摘要：对图像局部进行风格迁移通常会导致风格溢出和较小的区域风格化后效果不明显,针对该问题,提出一种图像显著性区域风格迁移方法。首先,根据人眼视觉注意机制的特点,对训练图像数据集中的显著性区域进行标注,采用快速语义分割模型进行训练,得出包含图像显著性区域的二值掩码图。然后,通过精简快速神经风格迁移模型网络层结构,并在生成网络部分采用实例正则化层,得出更具真实感的整体风格迁移结果。最后,将由语义分割得到的二值掩码图和整体风格迁移图相融合,输出最终的结果图像。在Cityscapes数据集和Microsoft COCO 2017数据集上设计了对比实验,结果显示,该方法对图像中的局部目标区域进行了均匀、细腻的风格化,且与背景区域能很好地融合在一起,实现更具真实感的风格迁移效果的同时,运行效率更占优势。

摘要：图像风格迁移技术可以自动地赋予图像不同的风格。现有的研究大多针对图像的整体或者图像中的单一区域进行风格迁移,在实际应用中难免存在局限性。在风格迁移过程中引入内容图像的语义信息,提出一种针对图像不同区域进行的差异风格化的方法。将内容图像经过语义分割后引入VGG损失网络,从而限定图像的风格化区域。分别在每个区域上计算各自的格拉姆矩阵,并在反向传播阶段将梯度传播限定在各语义区域上,得出针对图像不同区域的风格特征值。将正则化损失引入损失函数中,以减弱不同区域间的相互影响。在Microsoft COCO2017数据集上设计了实验,结果表明,该方法实现图像多个区域不同风格化的同时,保证了区域之间过渡自然。