文献类型：期刊文章

作　　者：刘哲良[1] 朱玮[2] 袁梓洋[1]

Liu Zheliang;Zhu Wei;Yuan Ziyang(College of Liberal Arts and Sciences,National University of Defense Technology,Changsha 410073,China;Key Laboratory of Intelligent Computing and Information Processing of Ministry of Education,School of Mathematics and Computational Science,Xiangtan University,Xiangtan 411105,China)

机构地区：[1]国防科技大学文理学院,长沙410073 [2]湘潭大学数学与计算科学学院智能计算与信息处理教育部重点实验室,湘潭411105

出　　处：《中国图象图形学报》

基　　金：国家自然科学基金项目(61603322);湖南省教育厅研究基金项目(16C1542)~~

年　　份：2019

期　　号：8

起止页码：1283-1291

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：目的传统的图像风格迁移主要在两个配对的图像间进行。循环一致性对抗网络(Cycle GAN)首次将生成对抗网络应用于图像风格迁移,实现无配对图像之间的风格迁移,取得了一定的效果,但泛化能力较弱,当训练图像与测试图像之间差距较大时,迁移效果不佳。针对上述问题,本文提出了一种结合全卷积网络(FCN)与Cycle GAN的图像风格迁移方法,使得图像能够实现特定目标之间的实例风格迁移。同时验证了训练数据集并非是造成Cycle GAN风格迁移效果不佳的因素。方法首先结合全卷积网络对图像进行语义分割,确定风格迁移的目标,然后将风格迁移后的图像与目标进行匹配,确定迁移对象实现局部风格迁移。为验证Cycle GAN在训练图像和测试图像差距较大时风格转移效果不佳并非因缺少相应训练集,制作了训练数据集并带入原网络训练。结果实验表明结合了全卷积网络与Cycle GAN的图像风格迁移方法增加了识别能力,能够做到图像局部风格迁移而保持其余元素的完整性,相对于Cycle GAN,该方法能够有效抑制目标之外区域的风格迁移,实验中所用4张图片平均只有4. 03%的背景像素点发生了改变,实例迁移效果得到很好提升。而将自制训练集带入原网络训练后,依然不能准确地在目标对象之间进行风格迁移。结论结合了全卷积网络与CycleGAN的方法能够实现图像的局部风格迁移而保持目标对象之外元素不发生改变,而改变训练数据集对CycleGAN进行实例风格迁移准确性的影响并不大。

关 键 词：深度学习  风格迁移  循环一致性对抗网络  语义分割  全卷积网络  

分 类 号：TP391.41] TP18[计算机类]