买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：郑州轻工业大学

摘要：本发明提供一种基于样式条件信息的多风格图像卡通化方法，其包括：获取源域和目标域的训练集；包含两个用于促进多样式图像卡通化的关键组件，即分别设计了一个条件生成器和一个多风格学习判别器，将风格条件信息嵌入特征空间，提高模型实现不同卡通风格的能力；构建损失函数，引入条件对比损失用于促进不同风格的卡通图像生成；利用各损失值调整所述生成对抗网络模型的参数，优化生成器和判别器网络，并循环迭代多轮整个生成对抗网络模型，得到训练好的多风格卡通化生成式网络；将待处理的自然图像输入到训练好的多风格卡通化生成式网络，即可得到不同风格的卡通图像；本发明简化了不同风格图像的生成过程，只需要对模型进行一次训练，显著提高了效率。

主权项：1.一种基于样式条件信息的多风格图像卡通化方法，其特征在于，包含两个用于促进多样式图像卡通化的关键组件，即分别设计了一个条件生成器和一个多风格学习判别器，将风格条件信息嵌入特征空间，提高模型实现不同卡通风格的能力；构建损失函数，其中引入条件对比损失用于促进不同风格的卡通化生成；利用各损失值调整所述生成对抗网络模型的参数，优化生成器和判别器网络，得到最优的多风格卡通化模型，具体包括以下步骤：步骤一、获取源域和目标域的训练集；步骤二、构建基于样式条件信息的多风格图像卡通化生成对抗网络，包含如下执行步骤：S21：构建生成式网络，该部分由1个二维卷积层、2个下采样层、4个条件信息残差块、2个上采样层和1个卷积块组成，其中，下采样层包含二维卷积和LReLU非线性激活层，上采样层包含二维卷积、LReLU非线性激活层和双线性插值层，卷积块中包含二维卷积和LReLU非线性激活层，4个条件信息残差块包含二维反射填充、二维卷积和条件实例归一化，此外，采用跳跃连接加强整个网络的特征传导，通过输入源域数据得到生成图像，具体步骤如下：S211：使用一个7×7的二维卷积层对输入图像进行特征提取；S212：将提取的特征图作为输入，先后通过两个连续的下采样层进行特征的下采样和提取。第一个下采样层将32个输入通道的特征图转换为64个输出通道的特征图，第二个下采样层则将64个输入通道的特征图转换为128个输出通道的特征图；S213：将下采样的结果输入到4个条件信息残差块，得到输出特征图；S214：将特征图输入到上采样层中，对其特征图进行恢复，在上采样过程中使用双线性插值，以避免棋盘伪影；S215：将特征图输入到卷积块内，得到生成的图像。该卷积块首先通过一个3×3大小的二维卷积层和一个7×7大小的二维卷积层对特征图进行进一步的处理和特征提取。在每个卷积层之后，都应用了LReLU非线性激活层，以增强模型的表达能力此外，为了增强整个网络的特征传导，使用了跳跃连接技术，将特征信息与卷积块的输出进行融合。经过这些精细的卷积和特征融合处理之后，最终生成了所需的图像；S22：构建多风格学习判别器网络，与所述生成式网络构成整个对抗网络，该判别器网络由7个卷积块、1个Sn_linear层由1个Linear层，以及谱归一化组成和1个Sn_Embedding层由1个Embedding层，以及谱归一化组成组成，其中卷积块中包括二维卷积，LReLU非线性激活层以及谱归一化，判别器网络采用前向传播操作，接收输入图像，通过一系列卷积操作得到输出结果；步骤三、构建损失函数，引入条件对比损失用于促进不同风格的卡通化生成，将条件对比损失、对抗损失、内容损失、颜色重建损失、风格损失相结合，构建网络总损失；步骤四、利用各损失值调整所述生成对抗网络模型的参数，并循环迭代多轮整个生成对抗网络模型，得到训练好的卡通图像生成式网络；步骤五、将待处理的自然图像输入到训练好的多风格卡通图像生成式网络，即可得到不同风格的卡通图像。

全文数据：

权利要求：

百度查询： 郑州轻工业大学 一种基于样式条件信息的多风格图像卡通化方法