基于卷积神经网络的图像风格迁移实现与开发

2021-05-28郭颖王佳新

现代计算机 2021年10期

郭颖，王佳新

（北方工业大学信息学院，北京100144）

0 引言

在神经网络之前，图像风格迁移的程序有一个共同的思路：分析某一种风格的图像，建立一个数学或者统计模型，再改变要做迁移的图像让它能更好地符合建立的模型。此类方法的缺点是：一个程序基本只能做某一种风格或者某一个场景，从而导致了基于传统风格迁移研究的局限性。2006年起，深度学习之父Hinton掀起了AI浪潮，至今仍是学术界与工业界的研究热点。对于图像风格迁移这一课题，Gatys等人[1]提出了如下思路：使用卷积神经网络有效分离图像的内容特征和图像的风格特征。一方面对于内容特征来说，模型通过预训练的VGG[2]模型提取其特征表示。另一方面对于风格特征来说，同样通过预训练的VGG[2]模型提取其特征表示，其次在其特性图上计算格拉姆矩阵，从而建模其风格表示。输入任意一张随机噪声图，可通过梯度下降法不断迭代改变图像的像素值，目标是其内容表示接近于内容图片的内容，其风格表示接近于风格图片的风格。也就是说，通过不断学习减小内容损失和风格损失，即可实现内容和风格的合成图像，从而达到“风格迁移”的目的。本文主要采用VGG19[3]分类网络，来实现图像风格迁移。