| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-19页 |
| 1.1 课题研究的背景及意义 | 第9-12页 |
| 1.1.1 图像风格化的研究背景 | 第9-10页 |
| 1.1.2 基于深度学习图像风格化的研究意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 风格化传统方法国内外研究现状 | 第12-15页 |
| 1.2.2 神经艺术国内外研究现状 | 第15-16页 |
| 1.3 课题研究内容及组织结构 | 第16-19页 |
| 2 静态图像风格化处理 | 第19-43页 |
| 2.1 基于深度学习图像风格化原理 | 第19-30页 |
| 2.1.1 卷积神经网络 | 第19-20页 |
| 2.1.2 图像风格化原理 | 第20-25页 |
| 2.1.3 内容和风格不同权重的对比 | 第25-27页 |
| 2.1.4 深度学习的优化方法 | 第27-30页 |
| 2.2 保留原图颜色的风格传输 | 第30-33页 |
| 2.3 多风格传输 | 第33-36页 |
| 2.4 局部风格迁移 | 第36-42页 |
| 2.4.1 局部风格迁移原理 | 第36页 |
| 2.4.2 基于深度学习的图像分割原理 | 第36-40页 |
| 2.4.3 分割后风格迁移效果 | 第40-41页 |
| 2.4.4 池化效果对艺术风格迁移效果的影响 | 第41-42页 |
| 2.5 本章小结 | 第42-43页 |
| 3 动态图像风格化处理 | 第43-51页 |
| 3.1 光流法 | 第43-46页 |
| 3.1.1 光流法的应用 | 第43-44页 |
| 3.1.2 DeepFlow光流法 | 第44-46页 |
| 3.2 基于DeepFlow光流法的动态图像风格化 | 第46-49页 |
| 3.2.1 动态图像风格化原理 | 第46-48页 |
| 3.2.2 Deepflow光流法的实际应用 | 第48-49页 |
| 3.3 本章小结 | 第49-51页 |
| 4 系统实现 | 第51-55页 |
| 4.1 开发平台 | 第51-52页 |
| 4.2 界面开发 | 第52-53页 |
| 4.3 整体界面结果显示 | 第53-54页 |
| 4.4 本章小结 | 第54-55页 |
| 5 实验结果分析 | 第55-59页 |
| 5.1 主观评价 | 第55-56页 |
| 5.2 主观对比评价 | 第56-58页 |
| 5.2.1 普通风格化结果对比 | 第56-57页 |
| 5.2.2 人脸风格化结果对比 | 第57-58页 |
| 5.3 本章小结 | 第58-59页 |
| 6 总结与展望 | 第59-61页 |
| 6.1 主要工作内容及总结 | 第59页 |
| 6.2 未来工作展望 | 第59-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-66页 |