摘要：在文字还没有被发明出来的时候，人们就开始用绘画来传递信息，自20世纪90年代以来，计算机技术蓬勃发展，使得人们在绘制图像时除了手绘这种古老的方法又多了一种选择。真实感绘制(Pho-torealisticRending)这一技术首先出现并被广泛应用，然而具有真实感的图像往往无法满足人们的实际需要。工业领域需要更简明的图像，而艺术领域就更加不追求真实感。因此，非真实感绘制(Nor-Pho-torealisticRending, NPR)技术就应运而生。非真实感绘制可以将一张照片转化为水墨画或是油画的风格，但是NPR技术不仅仅局限于此，它在很多领域都可以进行广泛的应用，缩小了科学与艺术的距离。

图像风格转换是新兴的一种基于深度学习的技术。它的出现得益于卷积神经网络的快速发展。卷积神经网络所带来的图像特征的高层次特征的提取，使得风格和内容的分离成为可能。然而，原始风格的迁移是非常缓慢的。用GPU生成图片需要大约10分钟，如果单独使用CPU，甚至需要几个小时。随着图片尺寸的增大时间还会增加。这样一台普通的计算机就很难实现这种功能。而本文就将研究如何来实现快速风格迁移。

关键词：非真实感绘制；图像风格转换；深度学习；卷积神经网络；快速风格迁移

目录

摘要

Abstract

1 绪论-1

1.1 课题背景-1

1.2 原理简介-2

1.3 论文组织结构-2

2 相关技术-4

2.1 机器学习与深度学习-4

2.1.1 机器学习-4

2.1.2 深度学习-5

2.2 卷积神经网络-6

2.2.1 卷积层-7

2.2.2 池化层-7

2.2.3 ReLU层-8

2.2.4 完全连接层-8

2.2.5 损失函数层-9

3 风格转换算法-10

3.1 内容表现与损失-11

3.2 风格表现与损失-11

3.3 优化损失函数-12

3.4 图像风格化-13

4 软件程序-14

4.1环境部署-14

4.2模型训练-14

4.3项目具体实现-14

4.3.1损失网络、图像生成网络的定义与引用-15

4.3.2内容损失、风格损失的定义-15

4.3.3确定训练、保存的变量-15

4.4风格转换-15

4.5运行结果-17

结    论-19

参 考 文 献-20

致    谢-21