沈 瑜 杨 倩陈小朋 苑玉彬 张泓国 王 霖

(兰州交通大学电子与信息工程学院 兰州 730070)

1 引言

风格迁移是一幅图像的语义内容用力一幅图像的风格纹理进行表示[1]。深度神经网络凭借其强大的图像表示能力[2]，推动了神经风格转移方法的发展。然而，近几年风格迁移都主要关注风格迁移的速度和多样性，在保证迁移速度和多样性的前提下，怎样更好地表现出风格化图像的细节是需要急需解决的问题。开创性的神经风格迁移方法[3,4]使用卷积神经网络将图像的内容和风格特征表示进行分离，并独立处理高层特征来实现图像风格迁移，获得了非常可观的艺术效果。Luan等人[5]将语义分割和风格迁移相结合实现了更逼真地真实图像风格转换。Huang等人[6]提出了自适应实例标准化(AdaIN)层与迭代优化相结合的前馈方法快速地实现任意样式的实时转换。Li等人[7]提出了能够捕获马尔可夫碎片的特征统计信息的马尔可夫生成对抗网络，该网络直接将内容图像转换成艺术画作。Dumoulin等人[8]搭建了可扩展的深层网络实现了任意风格的图像风格转换。Chen等人[9]提出的卡通化生成对抗网络生成高质量的卡通图像。Johnson等人[10]从预训练网络中提取的高级特征来定义和优化感知损失函数提升风格转换的速度。

风格迁移中，当输入图像具有复杂空间布局时，迁移结果将样式元素均匀地分布在整个图像中，使整体结构不可识别。对于结构变形敏感的输入，纹理均匀分布模糊了细节，破坏了原结构。……