摘要：针对动漫风格迁移图像存在细节结构缺失、色彩偏移、语义内容伪影等问题,提出了一种改进型生成对抗网络的动漫风格迁移算法。首先,利用通道混洗操作结合改进后的反转残差块组成特征转换模块增强图像的局部特征属性,同时引用高效注意力机制进一步提升风格特征表达能力;其次,改进风格损失函数,抑制亮度和色彩对高频纹理信息学习的干扰;最后,将含有随机噪声的内容图像输入生成器,并在判别器中引入谱约束层限制谱半径,以解决训练过程中出现模式崩溃的问题。实验结果表明,所提算法生成的图像相比于其他算法细节刻画更为丰富,并且有效避免了伪影的出现与色彩的偏移,使生成图像具有更强的写实感,风格Fréchet起始距离分别达到了154.61和115.64。

摘要：针对神经风格迁移算法结果中存在伪影、颜色丢失、轮廓模糊不清等影响整体艺术效果的问题,提出了一种基于拉普拉斯算子和颜色保留(LCR)的神经风格迁移算法。所提LCR算法使用内容损失项、风格损失项、直方图损失项以及拉普拉斯损失项构建总损失函数。由于在LCR算法中使用了直方图损失项和拉普拉斯损失项,因此,LCR算法与基于卷积神经网络的图像风格迁移(IST-CNN)算法、基于深度特征扰动(DFP)算法相比,对风格化结果图有更好的整体艺术效果。首先,通过对输入内容图像和风格图像进行去噪处理,减小了图像噪声对后续各个损失项计算的影响;其次,对内容图像和风格图像进行RGB空间到Lab空间的转换,以实现图像亮度通道L和颜色通道a、b的分离,并把内容图像的亮度信息迁移到风格图像上,从而达到内容图像颜色保留的目的;最后,在卷积神经网络(CNN)中对总损失函数进行迭代优化并输出风格化结果图。与IST-CNN和DFP算法相比,所提LCR算法的峰值信噪比(PSNR)平均分别提高了约12.418 dB和8.038 dB,结构相似性(SSIM)平均分别提高了约0.348 06和0.258 54,均方差(MSE)平均分别降低了0.653 76和0.296 00。实验结果表明,LCR算法有更好的风格化绘制整体视觉效果。

摘要：图像风格迁移算法主要是用于对图像的艺术处理,通过某种算法,对指定的图像内容做特定的风格转换。早在2000年就已经有很多学者进行了图像风格迁移的研究,当时的主流算法集中于使用小波变换等统计方法对图像纹理合成等问题的解决。近年来,依靠卷积神经网络(Convolutional Neural Networks,CNN)的发展,借助其强大的内容抽取能力,图像风格迁移的表现效果得到了明显提升。本文基于经典的卷积神经网络模型VGG-16对内容图像和风格图像做特征抽取,对生成图像进行迭代修改,最终得到具有指定内容和风格的目标图像。搭建算法模型,在公开的图像数据集上做了测试,得到了较为理想的模型效果。