基于深度学习的图像风格迁移优化方法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 研究现状 | 第9-12页 |
| 1.2.1 风格迁移的起源 | 第10-11页 |
| 1.2.2 风格迁移的发展 | 第11页 |
| 1.2.3 风格迁移的成熟 | 第11-12页 |
| 1.2.4 目前存在的问题 | 第12页 |
| 1.3 本文的内容组织结构 | 第12-14页 |
| 第二章 风格迁移相关理论知识 | 第14-32页 |
| 2.1 引言 | 第14页 |
| 2.2 深度学习和卷积神经网络 | 第14-19页 |
| 2.2.1 深度学习概述 | 第14-15页 |
| 2.2.2 卷积神经网络 | 第15-19页 |
| 2.3 基于图片迭代的描述性风格迁移方法 | 第19-22页 |
| 2.3.1 特征提取 | 第19-20页 |
| 2.3.2 纹理合成 | 第20-21页 |
| 2.3.3 内容误差和风格误差 | 第21-22页 |
| 2.4 基于模型迭代的生成式风格迁移方法 | 第22-25页 |
| 2.4.1 包含残差层方案 | 第23-24页 |
| 2.4.2 多尺度网络 | 第24-25页 |
| 2.5 基于GAN网络的风格迁移方法 | 第25-31页 |
| 2.5.1 GAN的起源和原理 | 第25-27页 |
| 2.5.2 GAN的训练 | 第27-28页 |
| 2.5.3 GAN相关的风格迁移方法 | 第28-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 基于转换网络的风格迁移模型优化 | 第32-40页 |
| 3.1 基于深度学习的风格迁移判别模型 | 第32-33页 |
| 3.2 原转换网络模型 | 第33-34页 |
| 3.3 改进的转换网络模型 | 第34-36页 |
| 3.3.1 改进的转换网络模型结构 | 第34-36页 |
| 3.3.2 改进的转换网络训练 | 第36页 |
| 3.4 实验结果分析 | 第36-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于编码器-解码器结构的风格迁移模型优化 | 第40-58页 |
| 4.1 引言 | 第40页 |
| 4.2 加入风格编码器的编码器-解码器结构 | 第40-48页 |
| 4.2.1 模型结构 | 第41-43页 |
| 4.2.2 损失函数 | 第43-44页 |
| 4.2.3 编码结果逆向重构 | 第44-47页 |
| 4.2.4 训练 | 第47-48页 |
| 4.3 实验结果定性评估 | 第48-55页 |
| 4.3.1 不同画家作品风格迁移效果 | 第48-50页 |
| 4.3.2 高分辨率图片生成 | 第50-53页 |
| 4.3.3 低分辨率到高分辨率图片生成 | 第53-54页 |
| 4.3.4 不同模型风格迁移效果 | 第54-55页 |
| 4.4 实验结果定量评估 | 第55-56页 |
| 4.5 本章小结 | 第56-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 论文工作总结 | 第58-59页 |
| 5.2 后续工作展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 攻读硕士学位期间取得的成果 | 第64页 |
