摘要: 图像是人类直观感受到的视觉信息，而绘画是人们情感交流的窗口之一，绘画风格表达了作品的创作背景、艺术特征以及创作者丰富的情绪。一直以来，艺术绘画作品的创作过程需要专业的技艺手法和大量的精力与时间。随着人工智能的不断发展，通过计算机强... 展开 图像是人类直观感受到的视觉信息，而绘画是人们情感交流的窗口之一，绘画风格表达了作品的创作背景、艺术特征以及创作者丰富的情绪。一直以来，艺术绘画作品的创作过程需要专业的技艺手法和大量的精力与时间。随着人工智能的不断发展，通过计算机强大的图形计算能力来完成艺术图像的创作任务成为了可能，这一过程就是图像风格迁移任务，即将输入图像从源域图像的风格转换为另一区域的图像风格。传统的风格迁移中多是学习图像的某一纹理，视觉效果上难以达到人们的预期要求。深度学习改变了图像风格迁移任务的现状，从卷积神经网络到生成式对抗网络，通过深层次的网络有效地分离和重组图像的抽象特征，提升了图像风格迁移的视觉效果和生成质量。 生成式对抗网络是一种无监督的深度学习模型，该模型不需要源域图像与风格图像相互匹配，在图像风格迁移任务中实现了图像风格特征与内容特征的分离，提升了生成图像的质量，被广泛应用在图像处理中。但生成式对抗网络模型也存在一些固有缺陷，如训练不稳定、梯度消失以及模式崩溃等问题。本文分析研究了具有代表性的卷积神经网络模型以及典型的生成式对抗网络模型，在对图像特征和风格表示的研究基础上，对网络模型中的生成器和判别器结构进行了研究与改进。在生成器模型中加入了残差结构，该结构可以优化信号传播并减小训练误差，同时残差网络中的恒等映射使得梯度平滑以及网络稳定。其次在判别器模型中使用归一化来对卷积后的参数矩阵进行谱范数标准化，对判别器模型施加了利普希茨连续性限制，使函数更加平滑，获得了较为出色的图像风格化质量和视觉效果。 针对山水画的特点和风格，在改进模型的基础上提出了一种基于注意力机制的图像风格迁移模型，通过对图像主要特征赋予更高的学习权重来获得更好的图像风格迁移效果，在山水画数据集进行实验，增强了图像风格化后的部分细节，提升了主观视觉体验。最后，提出了山水画趣味转换模型并搭建了基于PyQt5的图像风格化应用软件，将上述模型封装在软件中实现本地化部署的图像风格迁移。 收起