随着深度学习的日益兴起和人们对艺术追求的日益高涨,图形图像技术和艺术领域碰撞出图像风格迁移的火花。图像风格迁移属于计算美学领域,在游戏制作、动画渲染、广告设计等领域有大量应用。并且图像艺术化后具有很强的艺术感染力和文化内涵,使得该领域具有重要的研发意义。图像风格迁移是一种用不同风格渲染内容图片语义结构的方法,使生成的图片既有原始内容图像的语义结构,又有风格图像的纹理特征,呈现出内容和风格重新完美结合的效果。目前风格迁移方法普遍存在的两大问题,一是风格模式中的伪影和扭曲,二是现有的网络模型普遍计算代价高、训练模型耗时,难以部署在移动设备端。针对以上问题,本文基于深度卷积网络和i OS移动开发知识展开了深入的研究,最终实现比较全面的的图像风格迁移算法,具体的实现和解决方案如下:1.论文第三章简单介绍了自适应实例正则化(Adaptive Instance Normalization,Ada IN)和白化转化(Whitening-Coloring Transform,WCT)作为风格迁移模块的原理,并尝试使用风格装饰器(Style-Adorner,SAD)作为风格迁移模块。通过实验对比三者发现SAD不仅可以在整体上保留风格的分布,而且保留了风格的细节部分。并且在第四章以SAD作为风格转化模块嵌入到所提出的网络架构中。实验结果表明SAD的迁移效果和简洁性都优于WCT和Ada IN,使用SAD作为风格迁移模块这一思路在视觉质量和有效性上都有较好的效果。2.为了充分利用从编码器得到的特征,设计了基于特征聚合的前馈网络。借助预训练的编码器,提取和聚合从低级到高级的特征,更好的保留图像的细节。在论文里深度特征聚合采用迭代的思想合并特征不同的层次,使设计的网络具有更少的参数和更好的准确率。3.在网络训练过程中,使用了结合参数和非参数为一体的方式作为损失函数,较好的综合了两种思想的优点。神经参数模型产生的结果,保留了图像的内容和艺术的整体外观。然而,这些模型扭曲了局部的风格模式,并且无法获得局部语义层面的转换。神经非参数模型可以很好的解决这些问题,但是他们的样本匹配使用贪婪优化,导致图像风格的丰富性降低。使用新的损失函数可以将全局与局部的风格都保留下来。4.将深度学习与移动客户端结合,具体为基于Core ML在App中整合机器学习模型并应用。Core ML为所有的模型都提供了一种统一的呈现方式,App可以使用Core ML的API和用户进行交流,以及训练或简单的调试模型,这一切都可以在用户的设备上完成。因此将训练好的PyTorch模型转换成苹果系统支持的mlmodel文件格式,使用Objective-C语言基于转化后的模型开发了一款简单的图像风格迁移App,用户在移动端就可以完成风格迁移。给移动应用增加了一定的趣味性与创新性。