| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 课题的研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 课题研究意义及内容 | 第13-14页 |
| 1.4 论文组织架构 | 第14-16页 |
| 第二章 深度学习技术研究 | 第16-32页 |
| 2.1 深度学习 | 第16-18页 |
| 2.1.1 深度学习概述及背景 | 第16-17页 |
| 2.1.2 深度学习的应用领域 | 第17-18页 |
| 2.1.3 深度学习的常用框架 | 第18页 |
| 2.2 常用的深度神经网络 | 第18-29页 |
| 2.2.1 深度置信网络 | 第19-20页 |
| 2.2.2 循环神经网络 | 第20-21页 |
| 2.2.3 卷积神经网络 | 第21-29页 |
| 2.3 基于深度学习的图像风格相似性度量模型 | 第29-31页 |
| 2.3.1 风格相似性度量模型 | 第29-30页 |
| 2.3.2 相似性损失网络的训练 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 加入相似性损失网络的RTST模型 | 第32-46页 |
| 3.1 RTST模型 | 第32-36页 |
| 3.1.1 模型结构 | 第32-33页 |
| 3.1.2 图像转换网络 | 第33-35页 |
| 3.1.3 感知损失网络 | 第35-36页 |
| 3.1.4 训练与测试 | 第36页 |
| 3.2 加入相似性损失网络的RTST模型 | 第36-39页 |
| 3.2.1 模型结构 | 第37-38页 |
| 3.2.2 训练与测试 | 第38-39页 |
| 3.3 实验结果与分析 | 第39-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 基于生成式对抗网络(GAN)的图像风格化模型 | 第46-60页 |
| 4.1 生成式对抗网络 | 第46-51页 |
| 4.1.1 网络整体结构 | 第46-47页 |
| 4.1.2 网络工作原理 | 第47-49页 |
| 4.1.3 目前的衍生模型 | 第49-51页 |
| 4.2 基于GAN的图像风格化模型 | 第51-55页 |
| 4.2.1 模型结构 | 第51-52页 |
| 4.2.2 生成网络与判别网络 | 第52-54页 |
| 4.2.3 Adam优化器 | 第54页 |
| 4.2.4 训练与测试 | 第54-55页 |
| 4.3 实验结果与分析 | 第55-58页 |
| 4.4 其他风格测试 | 第58-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 论文主要工作 | 第60页 |
| 5.2 论文主要成果 | 第60-61页 |
| 5.3 问题及未来展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65-66页 |
| 攻读学位期间发表的学术论文目录 | 第66页 |