时下社交分享应用平台火爆，人们常常通过图片来展示自己的生活，如何使图片更加丰富有趣越来越被关注。本设计旨在将深度学习应用于风格迁移，并在Android平台下开发一款图片风格迁移与分享应用。风格迁移算法在Python环境下使用Tensorflow进行了研究复现，并针对算法中的内容与风格特征提取、损失权重对风格迁移效果的影响进行了测试对比。依据测试结果进行了基于Android平台的风格迁移算法的应用化。结合自身需求与时下流行社交与美图类应用的主流设计，综合使用Android、Spring boot、Mybatis与MySQL等开发技术，实现了支持风格迁移、风格训练、动态与评论发布、好友与相册管理等功能的风格迁移Android应用。
目录
摘要 1
关键词 1
Abstract 1
Key words 1
1 绪论 1
1.1 选题意义和背景 1
1.2 国内外研究现状 2
1.3 研究内容 2
1.3.1 风格迁移算法的研究复现 2
1.3.2 风格迁移应用的开发实现 2
1.4 开发技术 3
1.4.1 风格迁移算法开发技术 3
1.4.2 Android应用客户端开发技术 3
1.4.3 服务器端开发技术 3
1.4.4 数据库开发技术 3
2 风格迁移算法 3
2.1 基于图像迭代的风格迁移算法 3
2.1.1 算法简介 3
2.1.2 内容损失 4
2.1.3 风格损失 4
2.1.4 总损失 4
2.2 基于模型迭代的风格迁移算法 5
2.2.1 算法简介 5
2.2.2 生成转换网络 5
2.2.3 损失网络 6
2.3 算法测试与分析 7
2.3.1 基于图像迭代的风格迁移算法测试 7
2.3.2 基于模型迭代的风格迁移算法测试 8
2.3.3 风格迁移算法对比分析 11
3 风格迁移应用的需求分析 12
3.1 功 *景先生毕设|www.jxszl.com +Q: ￥351916072￥ 
能需求分析 12
3.2 系统用例图 13
3.3 系统活动图 13
3.3.1 个人信息管理 13
3.3.2 图像风格迁移 14
3.3.3 风格管理 15
3.3.4 好友管理 15
3.3.5 动态发布 16
3.3.6 动态的查看、评论与点赞 16
3.4 系统类图 17
4 风格迁移应用设计 17
4.1 数据库设计 17
4.1.1 数据库概念结构设计 17
4.1.2 数据库逻辑结构设计 20
4.2 系统时序图 22
5 风格迁移应用实现 25
5.1 Android端实现 25
5.1.1 首页动态的查看 26
5.1.2 相机 27
5.1.3 风格迁移 27
5.2 服务端实现 28
5.2.1 服务端基本工作实现 28
5.2.2 风格迁移实现 29
5.3 数据库操作实现 29
6 风格迁移应用测试 30
6.1 用户注册和登陆用例 30
6.2 风格管理用例 31
6.3 风格迁移用例 33
6.4 个人信息管理用例 34
6.5 用户搜索与关注用例 35
6.6 好友管理用例 36
6.7 相册管理用例 37
6.8 动态 38
7 总结与展望 39
7.1 总结 39
7.2 展望 40
致谢 40
参考文献 40
基于深度学习的风格迁移应用
计算机科学与技术学生 王锦荟
引言
1 绪论
1.1 选题意义和背景
近些年来，伴随着以卷积神经网络为代表的一众深度学习算法的快速崛起和发展，图像的风格迁移技术在算法与理论方面都有了长足的提高和发展，其所实现的风格迁移效果得到很大的提升。风格迁移的应用市场不论是在图形图像处理亦或是视频处理等方面都具有广阔前景。当下各类社交互联网平台火爆，人们纷纷通过其分享自己的生活，图形图像的处理便是其中的热门应用。然而传统的图像处理的处理模式大都通过类似于滤镜或贴纸的方式实现，效果较为单一和古板，基于深度学习的风格迁移的出现为图形图像处理的效果提供了更多的可能性。不仅如此，越来越多的观众喜欢在视频影视作品中体验视觉特效带来的快感。但是，视觉特效的制作对制作技术以及制作成本都提出了较高的要求，在传统的影视特效制作中融入新兴的深度学习技术，不仅能够获得不俗的视觉效果，同时还能节省制作成本。总之，基于深度学习的风格迁移应用具有较高的研究意义价值。
1.2 国内外研究现状
在深度学习的神经网络诞生之前，风格迁移实现十分繁琐刻板，其需要先将某一张固定图像进行深入分析与建模，同时还需要将要进行风格迁移的内容图片针对建模结果做出对应的修改。虽然这种传统的迁移方式也能取得不错的迁移效果，但是由于其实现方式的固定性，此类风格迁移在实际中的应用场景受到了很大的限制。
伴随着深度学习的崛起，Gatys等人[1][2]创新地将卷积神经网络运用于实现风格迁移，其通过运用卷积神经网络来对图像的内容特征和风格特征进行提取和表示，再通过一定的手段和方式将两类特征进行融合，最终取得了不俗的风格迁移效果。其算法所涉及的核心思想是将牛津大学所提出设计的VGG模型[3]用于提取内容图像的内容特征和风格图像的风格特征，然后从最原始的随机白噪声图像开始，通过一步步迭代降低损失，最终生成具有原图像内容和风格图像风格二者结合的新图像。后来，Johnson等人[4]又在此基础上进行了改进，其将图片的风格迁移过程二分为训练过程和生成过程，针对某一风格进行较长时间的训练后可得到对应的风格模型。当需要生成该风格的图片时，调用已经训练好的对应风格模型即可快速生成风格迁移图片，使图像风格迁移不需要每一次进行迁移时都进行一次长时间的训练，进一步提高了速度和效率。

原文链接：http://www.jxszl.com/jsj/jsjkxyjs/563918.html