论文部分内容阅读
人工智能的第三次热潮源于深度学习的兴起,从计算机视觉到无人驾驶技术,深度学习技术被研究者们应用到了数以百计的现实问题中。特别是在图像处理领域中,人工智能与神经艺术的碰撞,引起了相关技术领域与艺术领域专家学者们的关注,这一技术将改变人们对图像处理的方式。风格迁移是指运用深度学习技术将一幅内容图像的内容信息在不变的情况下学习一幅或多幅风格图像的风格、色彩、明暗等元素,从而生成具有某种著名画作风格的一类图像。依据目前的研究状况分析,运用深度学习技术实现图像风格化还存在很多不足之处,例如,在图像风格化后,图像的内容信息存在轮廓不清楚、色彩混淆、内容细节处理不好等问题,图像的风格信息存在纹理细节失真、笔触形状不清晰等问题。为了解决存在的上述问题,所以本文对图像风格迁移技术进行了有关研究,具体内容如下:(1)图像风格迁移算法改进与实现。首先,调整图像风格化样式权重、迭代次数、池化方法、目标优化算法等,实验确定基于VGG-19网络的图像风格化的网络超参数,然后,选择卷积层内容特征融合、风格特征融合的方法,实验观察不同融合方法对图像风格化效果的影响,最后,对改进的求和平均特征风格迁移算法进行实验研究。研究结果得出,VGG-19模型设置为样式权重、迭代次数1500次、均值池化、Adam优化算法的图像风格化效果最好,内容提取的卷积层为Block3,内容卷积层特征的权重系数为1,风格提取的卷积层为conv1_1、conv2_1、conv3_1、conv4_1、conv5_1,权重系数分别为0、0、0.4、0.3、0.3时图像风格化效果佳。保持样本、模型参数一致,风格特征权重为0、0、0.4、0.3、0.3,内容特征权重为1的风格迁移结果与各卷积层特征求和平均加权级联处理的图像风格化结果进行对比,实验数据表明,各卷积层特征求和平均加权级联处理的图像风格化的结果比卷积层单个特征图级联法的结果要好,前者的PSNR比后者高0.91、SSIM高0.95。(2)基于深度学习的局部风格迁移算法。RTST网络不能对图像进行局部风格迁移,在RTST模型的基础上引入图像分割的掩膜(Mask)结构,构建新的图像风格迁移网络MRTST模型。分别使用RTST模型、MRTST模型对图像进行风格迁移实验,应用MRTST模型生成的图像比RTST模型生成图像的主观评价MOS得分高1.05,明显看出论文提出MRTST模型可有效实现图像局部风格迁移,且主观评价得分高。