基于深度学习的风格迁移算法的改进与实现研究

目录

声明

第1章 绪论

1.1 风格迁移的背景及意义

1.2 国内外研究现状

1.3 论文的主要工作及组织框架

1.3.1 论文的主要工作

1.3.2 论文的组织框架

1.4 本章小结

第2章 基础理论

2.1 神经网络发展历程

2.1.1 浅层神经网络

2.1.2 深度学习

2.2 卷积神经网络

2.2.1 网络基本结构

2.2.2 网络工作原理

2.2.3 经典卷积神经网络模型

2.3 风格迁移评价指标

2.3.1 客观评价指标

2.3.2 主观评价指标

2.4 本章小结

第三章 基于VGG-19网络的图像风格迁移算法改进及其实现

3.1 风格迁移网络的构建

3.1.1 网络整体结构

3.1.2 网络工作原理

3.2 风格迁移算法实现

3.2.1 实验数据与环境配置

3.2.2 实验结果与分析

3.3 改进的风格迁移算法实现

3.3.1 算法改进与实现步骤

3.3.2 实验结果与分析

3.4 本章小结

第4章 基于改进的RTST网络的图像风格迁移算法及其实现

4.1 RTST模型

4.1.1 图像转换网络

4.1.2 感知损失网络

4.1.3 训练与结果

4.2 MRTST模型

4.2.1 图像分割

4.2.2 局部风格迁移损失

4.2.3 测试与结果

4.3 实验结果与分析

4.4 本章小结

第5章 总结与展望

5.1 总结

5.2 展望

参考文献

在读期间发表的学术论文及研究成果

致谢