论文题目：多风格国画生成的神经网络方法
摘要：国画在传承的基础上不断创新,其中工笔画和水墨画成为当今绘画的主流。在传统国画中,花卉的描写是一种重要而经典的表现形式。因此,本文主要针对国画花卉的智能创作开展了一系列研究工作。工笔画在同白描有着同样精确笔触的基础上,通过大量的色彩和精确的笔触来实现对绘画对象的模拟。水墨画更加关注水墨色彩的变化,强调图像浓淡与枯润度表达的和谐性,通过有限的色彩和自然流畅的笔触实现写意的表达。从传统的基于机器学习的方法到近年来基于深度学习的方法,图像生成一直是学者们不断探索的热点领域。风格迁移是图像生成的一种重要形式,但其具有一定局限性,使用风格图像特征明显,生成图像效果单一。深度学习的飞速发展,促使生成对抗网络成为图像生成的一种流行方法,其利用生成器与判别器之间的相互对抗训练生成许多令人印象深刻的高质量图片。然而,在图像生成的众多研究中,对国画艺术的生成研究很少。一方面由于国画数据集难以收集,另一方面由于国画艺术风格写意表达的基本挑战以及水墨画抽象表达的困难性,导致现有的方法不能对其风格和内容进行准确生成。针对上述问题,我们分别开展了多风格国画艺术的生成以及水墨画的生成工作,基于生成对抗网络方法,设计不同的网络模型实现对两个工作有效的表达,取得了比其它方法更好的效果。本文的主要贡献如下:1.构建一个非成对的国画花的数据集,包括白描,工笔和水墨三种经典传统风格。对其进行预处理,可以准确地用于训练和测试。2.提出一种新的基于注意力机制的生成对抗网络模型Flower-GAN生成多风格国画花。该模型通过学习白描与工笔,水墨之间的映射关系,最终得到具有一定风格特点的工笔和水墨画图片。通过引入多尺度结构相似性损失于模型中,保留源图像高频信息,与对抗损失,循环一致性损失共同引导图像风格和内容的准确生成。3.提出基于对抗神经网络的模型方法生成具有独特风格特点的水墨画图片。该方法一共包含三步。首先,使用Line GAN模型学习从水墨到白描的映射,从而生成保留更多水墨笔触和纹理特征的白描图片。第二,数据增强。生成白描图片与真实白描图片融合形成一个新的数据集,并对数据集进行形态学平滑操作。最后,使用Ink GAN模型生成具有独特风格的充满意境的水墨画图片,模型中总变差损失函数的引入提高了生成图片的空间平滑性。
关键词：国画生成;图像到图像翻译;生成对抗网络;神经网络方法;深度学习
学科专业：工程硕士（专业学位）
摘要
Abstract
第1章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.3 主要创新点与贡献
第2章 相关技术介绍
2.1 国画数据集
2.2 卷积神经网络
2.3 生成对抗网络
2.4 类激活图
2.5 小结
第3章 多风格国画艺术花的生成
3.1 概述
3.2 相关工作
3.2.1 国画的生成
3.2.2 图像着色
3.2.3 图像到图像翻译
3.3 Flower-GAN模型
3.3.1 网络架构
3.3.2 损失函数
3.4 数据集
3.4.1 数据集收集
3.4.2 数据集预处理
3.5 实验与分析
3.5.1 实现细节
3.5.2 对比实验
3.5.3 生成图像的质量实验
3.5.4 参数敏感度实验
3.5.5 消融实验
3.5.6 扩展实验
3.5.7 用户研究
3.6 小结
第4章 基于对抗神经网络的水墨画生成
4.1 概述
4.2 相关工作
4.2.1 基于草图的应用
4.2.2 图像着色
4.2.3 图像到图像翻译
4.3 研究方法
4.3.1 Line GAN模型
4.3.2 数据增强
4.3.3 Ink GAN模型
4.3.4 损失函数
4.4 实验与分析
4.4.1 组件分析实验
4.4.2 对比实验
4.4.3 定量分析
4.4.4 用户研究
4.4.5 系统分析
4.5 小结
第5章 总结与展望
参考文献
致谢