检索结果-南通市图书馆

中国科技论文 2019年第3期14卷 278-284页

作者：吴航徐丹云南大学信息学院

针对当前葫芦烙画模拟方法通用性有限的问题,提出了一种基于深度神经网络的艺术风格迁移和模拟方法,利用不同的数据集训练不同的网络模型,并使用训练后的模型处理不同阶段的目标图像,分别对目标图像进行语义分割、艺术风格迁移和变形融... 详细信息

针对当前葫芦烙画模拟方法通用性有限的问题,提出了一种基于深度神经网络的艺术风格迁移和模拟方法,利用不同的数据集训练不同的网络模型,并使用训练后的模型处理不同阶段的目标图像,分别对目标图像进行语义分割、艺术风格迁移和变形融合处理,将普通的照片生成对应的葫芦烙画。实验对比分析表明,生成的葫芦烙画的色调与真实烙画极为相近,实际效果也较逼真,具有可观赏性,所提方法能够将普通照片转换成具有良好效果的葫芦烙画,可以完成葫芦烙画的艺术风格迁移与模拟任务。

关键词：葫芦烙画艺术风格迁移深度神经网络空间控制语义分割变形融合

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

融合轻量级ViT和GAN的艺术风格迁移方法

引用

兰州工业学院学报 2024年第3期31卷 90-94页

作者：庾晨龙邵叱风安徽理工大学计算机科学与工程学院安徽淮南232001

针对Vision Transformer(ViT)艺术风格迁移方法存在的局部信息提取能力不足、迁移效率低和风格化结果中出现伪影的问题,提出一种轻量级ViT和对抗生成网络(GAN)相结合的方法LVGAST。该方法利用局部和全局信息的互补提高网络的推理速度与... 详细信息

针对Vision Transformer(ViT)艺术风格迁移方法存在的局部信息提取能力不足、迁移效率低和风格化结果中出现伪影的问题,提出一种轻量级ViT和对抗生成网络(GAN)相结合的方法LVGAST。该方法利用局部和全局信息的互补提高网络的推理速度与风格化质量,并通过对抗训练增强风格化结果的艺术真实感,并与6种最先进的艺术风格迁移方法进行定性和定量比较。结果表明:在定性方面,LVGAST的视觉效果更具艺术真实感;在定量方面,LVGAST分别在SSIM、Style loss上达到了0.499、1.452,且推理速度在ViT类方法中达到最快(0.215 s/张)。LVGAST结合了卷积神经网络和ViT网络的优点,提高了风格化效率,同时引入了判别网络,使风格化结果更加真实。

关键词： Vision Transformer 艺术风格迁移对抗生成网络艺术真实感

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于迁移学习的艺术化风格图像的创作

引用

南方农机 2019年第23期50卷 173-174页

作者：侯国栋徐敏章飞安徽国防科技职业学院

计算机视觉和人工智能技术现已应用在生产和生活的方方面面,该系统应用了深度学习模型来训练图片,将人工智能技术应用在日常风景图片的艺术化创作上,从而将艺术作品的风格迁移到拍摄的风景图片上,使其具有艺术画的美感。基于此,本文探... 详细信息

计算机视觉和人工智能技术现已应用在生产和生活的方方面面,该系统应用了深度学习模型来训练图片,将人工智能技术应用在日常风景图片的艺术化创作上,从而将艺术作品的风格迁移到拍摄的风景图片上,使其具有艺术画的美感。基于此,本文探讨了迁移学习和风格迁移的数学原理及实现思路,借助预训练过的深度神经网络,设计出了软件的整体框架和代码,并用带有NVIDIA显卡的图像工作站来训练此网络,以实现艺术风格的迁移,同时展示了风格迁移的效果图,并对此领域的研究进行了展望。

关键词：人工智能迁移学习 TensorFlow NVIDIA GPU 艺术风格迁移

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于卷积神经网络的葫芦烙画风格模拟

基于卷积神经网络的葫芦烙画风格模拟

引用

作者：吴航云南大学

学位级别：硕士

近年来,深度学习技术备受关注,尤其是在计算机视觉多媒体领域,其研究成果更是突出。其中,与传统的数学建模方法相比,对素描画、山水画、油画、铅笔画、粉笔画、烙画等风格画模拟与仿真效果,利用深度学习的技术获得的仿真效果可以更加突... 详细信息

近年来,深度学习技术备受关注,尤其是在计算机视觉多媒体领域,其研究成果更是突出。其中,与传统的数学建模方法相比,对素描画、山水画、油画、铅笔画、粉笔画、烙画等风格画模拟与仿真效果,利用深度学习的技术获得的仿真效果可以更加突出。利用传统的数学建模方法,对具有某种特定风格的艺术作品进行仿真模拟,其针对性太强,无法对规模巨大的自然图像进行泛化性处理。然而,利用深度学习技术实现非真实感绘制,可以实现对任意的自然图像进行任意的风格化处理,从而实现对任意的图画艺术作品风格的仿真模拟。本文采用深度学习的方法,利用卷积神经网络模型,针对当前葫芦烙画仿真模拟方法泛化性受限的问题,提出了一种基于深度卷积神经网络的艺术风格迁移的模拟方法。本文提出的烙画风格仿真模拟方法,主要分为三个不同的阶段,各个阶段分别利用不同的数据集训练不同的神经网络模型,并使用各个阶段已训练完成的模型处理各个阶段的目标图像。其具体的模拟过程为,分别对目标图像进行图像语义分割、艺术风格迁移和图像变形融合,最终将相机等拍摄设备拍的普通照片转化成一种拥有烙画艺术风格的模拟葫芦烙画。通过对实验结果的对比分析,可以发现生成的葫芦烙画的色调和纹理信息都与真实的葫芦烙画极为相近,其实际效果非常突出,具有一定程度的艺术可观赏性。因此,本文所提的模拟方法可以将普通的自然照片转换成相应的具有良好艺术效果的葫芦烙画,最终完成葫芦烙画的艺术风格迁移与模拟任务。

关键词：葫芦烙画艺术风格迁移卷积神经网络语义分割变形融合

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于编码器-解码器的图像风格迁移方法的研究与应用

基于编码器-解码器的图像风格迁移方法的研究与应用

引用

作者：季苏瑞南京邮电大学

学位级别：硕士

随着计算机技术的迅猛发展,图像APP（Application）种类日益增多,尤其是图像创作类APP得到了大量用户的喜爱。但是这类APP大部分功能仍停留在滤镜、图案修饰和局部美化等方面,并不能给用户带来更多的创作体验。随着深度学习的发展,图像... 详细信息

随着计算机技术的迅猛发展,图像APP（Application）种类日益增多,尤其是图像创作类APP得到了大量用户的喜爱。但是这类APP大部分功能仍停留在滤镜、图案修饰和局部美化等方面,并不能给用户带来更多的创作体验。随着深度学习的发展,图像风格迁移技术激发了用户的创作热情,用户可以自主地组合目标图像和任意风格图像,得到具有特色的风格化图像。根据不同的创作对象,风格迁移技术可以细分为艺术风格迁移和写实类照片风格迁移。其中,艺术风格迁移技术主要迁移艺术性画作的风格,在漫画上色、艺术风格创作等领域受到了广泛关注;照片风格迁移技术的对象是写实类的照片,一般被用于游戏、电影及动画创作领域。然而,目前无论是艺术风格迁移还是照片风格迁移都存在风格化图像质量不高的问题,因此本文开展了针对图像风格迁移中风格化图像质量提升的研究。（1）本文首先介绍了课题背景和研究意义,调研了国内外关于图像风格迁移的研究现状。此外,还分析总结了风格迁移相关的算法,并研究了编码器-解码器网络、注意力机制和元学习方法等相关技术,为提升风格化图像质量奠定了基础。（2）针对艺术风格迁移算法中风格化图像的内容结构不清晰,风格化图像和风格图像的风格在颜色、纹理、形状方面不一致问题,提出了一种基于对偶注意力和元学习的风格迁移方法。在该方法中,通过构造对偶注意力模块,从位置和通道两个方面强化融合特征中重要特征的表达;然后基于模型中的编码器-解码器的结构构建元学习系统,提升模型的解码能力,增强风格特征表达,提高风格在迁移前后的一致性。实验结果表明,该方法提升了内容结构的清晰度,并增强了风格特征的表达能力,提高了风格化图像的质量。（3）对于照片风格迁移中风格化图像的语义信息丢失,局部纹理扭曲变形等问题,提出了一种基于WCT（Whiten-Color Transform）和纹理损失的照片风格迁移方法。首先,构建多层风格迁移网络,每一层编码器的输出都经过WCT算法进行内容特征和风格特征的转换,目的是多尺度融合不同层信息,使生成图像的语义信息饱满丰富;其次,浅层的解码器的上采样操作使用Un Pooling技术,深层的解码器的上采样操作使用Un Sampling技术,有利于还原图像的重要语义信息;最后,用纹理损失和全局风格损失构建总风格损失,其中纹理损失基于上下文信息,全局风格损失用格拉姆矩阵表示,这使得风格化图像保持了风格的局部和全局一致性,同时也有利于保留风格纹理的局部细节特点。实验结果验证了所提方法的有效性。

关键词：艺术风格迁移对偶注意力编码器-解码器元学习照片风格迁移纹理损失

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：