低算力深度学习下的图像卡通风格化研究

• 作者: 徐鹏飞 周腾骅 武仲科 申佳丽 王醒策
• 来源期刊: 北京师范大学学报（自然科学版）
• 学科: 工学
• 关键词: 风格迁移 深度学习 生成式对抗网络 卡通风格化
• 年，卷（期）: 2021,（6）
• 所属期刊栏目: 专题人工智能关键技术与应用
• 页码范围: 888-895
• 页数: 8页
• 分类号: TP231
• 语种: 中文
• DOI: 10.12202/j.0476-0301.2021204

摘要

在深入研究图像风格迁移的基础上,提出了一种适用于图形处理器性能受限情况下,卡通(cartoon)图像风格迁移训练的生成式对抗网络(generative adversarial networks,GAN).利用视觉几何组(visual geometry group,VGG)网络提取图片先验信息,实现学习过程的加速;裁剪cartoonGAN模型,在保证效果的基础上,使得低性能计算条件下的网络收敛成为可能;设计合理的损失函数,保证整体风格化效果.基于tensorflow2.0构建试验平台,通过对试验结果分析可发现,该方法的迁移效果好,稳定性强,且收敛时间短.对算法的参数和初始化方法给出了相关讨论,并提出了进一步的解决方案.