[1] 唐稔为, 刘启和, 谭浩. 神经风格迁移模型综述[J] ●●●●。计算机工程与应用, 2021, 57(19): 32-43. 唐瑞伟,刘庆华,谭海。神经风格传递模型综述[J]。计算机工程与应用,2021,57(19):32-43。 [2] HINTON G E,OSINDERO S,TEH Y W.深度信任网的快速学习算法[J]。神经计算,2006,18(7):1527-1554。 [3] 高强. 基于深度卷积网络学习算法及其应用研究[D] ●●●●。北京: 北京化工大学, 2014 基于深度卷积神经网络的GAO Q.学习算法及应用研究[D]。北京:北京化工大学,2014。 [4] 田启川, 王满丽. 深度学习算法研究进展[J] ●●●●。计算机工程与应用, 2019, 55(22): 25-33. 田秋川,王美林。深度学习算法的研究进展[J]。计算机工程与应用,2019,55(22):25-33。 [5] HAEBERLI P.数字绘画:抽象图像表现[C]//第17届计算机图形与交互技术年会论文集,1990。 [6] HERTZMANN A,JACOBS C E,OLIVER N,等。图像类比[C]//第28届计算机图形与交互技术年会论文集。纽约:ACM出版社,2001:327-340。 [7] TOMASI C,MANDUCHI R.灰度和彩色图像的双边滤波[C]//IEEE计算机视觉国际会议论文集,1998:839-846。 [8] EFROS A A,LEUNG T K。非参数采样纹理合成[C]//第七届IEEE计算机视觉国际会议论文集。华盛顿特区:IEEE计算机协会,1999:1033-1038。 [9] EFROS A A,FREEMAN W T.用于纹理合成和传输的图像绗缝[C]//SIGGRAPH会议记录2001:253-258。 [10] GATYS LA,ECKER AS,BETHGE M.艺术风格的神经算法[J]。arXiv:1508.065762015年。 [11] GATYS L A,ECKER A S,BETHGE M.卷积神经网络纹理合成[J]。arXiv:1505.073762015年。 [12] GATYS L A,ECKER A S,BETHGE M。基于卷积神经网络的图像风格转换[C]//IEEE计算机视觉与模式识别会议论文集,2016:2414-2423。 [13] 李永海,王恩Y,刘俊Y,等。神经风格转移的神秘化[J]。arXiv:1701.010362017年。 [14] LI C,WAND M.结合马尔可夫随机场和卷积神经网络进行图像合成[C]//IEEE计算机视觉和模式识别会议论文集,2017:2479-2486。 [15] 曾宪华, 陆宇喆, 童世玥, 等. 结合马尔科夫场和格拉姆矩阵特征的写实类图像风格迁移[J] ●●●●。南京大学学报 (自然科学), 2021, 57(1): 1-9. 曾晓华,吕永中,汤世英,等.基于MRFs和基于gram特征的照片真实感风格转换[J]。南京大学学报(自然科学版),2021,57(1):1-9。 [16] 廖杰,姚毅,袁磊,等.基于深度图像类比的视觉属性传递[J]。ACM Trans on Graphics,2017,36(4):1-15。 [17] KOLKIN N,SALAVON J,SHAKHNAROVICH G。基于松弛最优传输和自相似的风格转换[C]//IEEE计算机视觉和模式识别会议论文集,2019:10051-10060。 [18] JUSTIN J,ALEXANDRE A,LI F F.实时风格传输和超分辨率感知损失[C]//欧洲计算机视觉会议论文集,2016:694-711。 [19] ULYANOV D,LEBEDEV V,VEDALDI A,等.纹理网络:纹理和风格化图像的前馈合成[C]//国际机器学习会议论文集,2016:1349-1357。 [20] 王X,OXHOLM G,ZHANG D,等.多模态传递:一种用于快速艺术风格传递的分层深度卷积神经网络[C]//IEEE计算机视觉与模式识别会议论文集。华盛顿特区:IEEE计算机学会,2017:7178-7186。 [21]ULYANOV D,LEBEDEV V,VEDALDI A,et al.改进的纹理网络:在前馈风格化和纹理合成中最大化质量和多样性[C]//IEEE计算机视觉和模式识别会议论文集,2017:4105-4113。 [22]MIRZA M,OSINDERO S.条件生成辅助网络[J]。arXiv:1411.17842014年。 [23]RADFORD A,METZ L,CHINTALA S.深卷积生成对抗网络的无监督表示学习[J]。arXiv:1511.064342015年。 [24]LI C,WAND M.使用马尔可夫生成对抗网络进行预计算实时纹理合成[C]//欧洲计算机视觉会议论文集。查姆:施普林格,2016:702-716。 [25]ZHU J Y,PARK T,ISOLA P,et al.使用循环一致对抗网络的未配对图像到图像转换[C]//2017 IEEE计算机视觉国际会议(ICCV)会议记录,2017:2242-251。 [26]KARRAS T,LAINE S,AILA T。生成性对抗网络的基于样式的生成器体系结构[C]//IEEE/CVF计算机视觉和模式识别会议论文集,2019:4401-4410。 [27]KARRAS T,LAINE S,AITTALA M,et al.分析和改进StyleGAN的图像质量[C]//IEEE/CVF计算机视觉和模式识别会议论文集,2020:8110-8119。 [28]KARRAS T,AITTALA M,LAINE S,等.无Alias生成性对抗网络[C]//神经信息处理系统进展,2021:852-863。 [29] 毛文涛, 吴桂芳, 吴超, 等. 基于中国写意风格迁移的动漫视频生成模型[J] ●●●●。计算机应用, 2022, 42(7): 2162-2169. 毛文堂,吴桂林,吴聪,等.基于中国印象派风格转换的动画视频生成模型[J]。计算机应用杂志,2022,42(7):2162-2169。 [30] 孙天鹏, 周宁宁, 黄国方. 新的基于GAN公司的局部写实感漫画图像风格迁移[J] ●●●●。计算机工程与应用, 2022, 58(14): 167-176. 孙天平,周恩恩,黄国富。基于新刚体的局部真实动画图像风格转换[J]。计算机工程与应用,2022,58(14):167-176。 [31]杜穆林五世,SHLENS J,KUDLUR M.艺术风格的学术代表[J]。arXiv:1610.076292016年。 [32]LI Y,FANG C,YANG J,et al.前馈网络的多样化纹理合成[C]//IEEE计算机视觉与模式识别会议论文集,2017:33920-3928。 [33]陈D,袁L,廖J,于恩,华G.StyleBank:神经图像风格转换的显式表示[C]//IEEE计算机视觉与模式识别会议论文集,2017,1897-1906。 [34]张华,丹娜K。实时传输的多类型生成网络[J]。arXiv:1703.069532017年。 [35] 乔平安, 李静文, 曹家亮. 多通道卡通GAN下的图像风格动漫化[J] ●●●●。计算机应用研究, 2021, 38(11): 3517-3520. 乔帕阿,李建伟,曹建林.多频道卡通中的图像风格动画[J]。计算机应用研究,2021,38(11):3517-3520。 [36]钟其寅,黄世辉.使用边界增强生成性对抗网络将中国水墨画交互式转换为现实图像[J]。多媒体工具应用,2023,82:11663-11696。 [37]王伟,李毅,叶赫,等.非对称循环一致性GAN的水墨风格转换[J]。人工智能的工程应用,2023,126:107067。 [38]CHEN T Q,SCHMIDT M.任意风格的快速基于补丁的风格转换[C]//NIPS构建机器学习研讨会论文集,2016。 [39]黄X,BELONGIE S.实时自适应实例归一化任意样式传输[C]//IEEE计算机视觉国际会议论文集,2017:1510-1519。 [40]LI Y,FANG C,YANG J,et al.通过特征变换进行通用风格转移[C]//神经信息处理系统的进展,2017:386-396。 [41]PARK D Y,LEE K H.利用风格注意网络进行任意风格转换[C]//IEEE/CVF计算机视觉和模式识别会议论文集,2019:5880-5888。 [42]姚毅,任杰,谢X,等.注意事项多冲程换能器[J]。arXiv:1901.051272019年。 [43]刘S,林T,HE D,等.AdaAttN:重温任意神经风格转移中的注意机制[C]//IEEE/CVF国际计算机视觉会议论文集,2021:6649-6658。 [44]罗X,韩Z,杨磊,等.一致风格转移[J]。arXiv:2201.022332022年。 [45]CHO W,CHOI S,PARK D K,et al.基于分组深度白化和彩色变换的图像到图像转换[C]//IEEE计算机视觉和模式识别会议论文集,2019:10631-10639。 [46]徐志,威尔伯M,方C,等.快速任意风格转移的对抗训练[J]。计算机与图形,2020,87:1-11。 [47]霍杰,金斯,李伟,等.语义对齐风格转换的流形对齐[C]//IEEE/CVF国际计算机视觉会议论文集,2021:14861-14869。 [48] 朱仲贤, 毛语实, 蔡科伟, 等. 面向工业巡检的图像风格迁移方法[J] ●●●●。计算机工程与应用, 2023, 59(18): 234-241. 朱志X,毛永生,蔡开伟,等.工业检测中的图像风格转换方法[J]。计算机工程与应用,2023,59(18):234-241。 [49]张泽,孙杰,陈杰,等.卡斯特:通过动态卡通风格的铸造传递卡通风格[J]。神经计算,2023556:126654。 [50]YU Y,LI D,LI B,et al.基于语义图像的多风格图像生成[J/OL]。可视化计算机[2023-08-15]。https://doi.org/10.1007/s00371-023-03042-2。 [51] 李本佳. 非真实感绘制技术的发展综述[J] ●●●●。电脑知识与技术, 2018, 14(35): 188-190. 李伯杰。非真实感渲染技术发展综述[J]。计算机知识与技术,2018,14(35):188-190。 [52]GOOCH B,GOOCH A.非真实感渲染[M]。美国马萨诸塞州纳蒂克:A K Peters有限公司,2001年。 [53]STROTHOTTE T,SCHLECHTWEG S。非真实感计算机图形:建模、渲染和动画[M]。加利福尼亚州旧金山:Morgan Kaufmann,2002年。 [54]罗森·P,科洛姆索斯·J。基于图像和视频的艺术风格化[M]//计算成像和视觉。柏林:施普林格出版公司,2013年。 [55] 陈存健. 基于神经网络的中国绘画图像风格迁移[D] ●●●●。杭州: 杭州电子科技大学, 2020 陈春杰。基于con-volutional神经网络的中国画风格转换[D]。杭州:杭州电子大学,2020年。 [56] 李慧, 万晓霞. 深度卷积神经网络下的图像风格迁移算法[J] ●●●●。计算机工程与应用, 2020, 56(2): 176-183. 李华,WAN X X。深度卷积神经网络下的图像风格转换算法[J]。计算机工程与应用,2020,56(2):176-183。 [57] 张远达. 线性代数原理[M] ●●●●。上海: 上海教育出版社, 1980 张永东。线性代数原理[M]。上海:上海教育出版社,1980年。 [58]SIMONYAN K,ZISSERMAN A.用于大规模图像识别的极深卷积网络[J]。arXiv:1409.15562014年。 [59]KRIZHEVSKY A,SUTSKEVER I,HINTON G E.基于深度卷积神经网络的图像分类[J]。ACM通讯,2017,60(6):84-90。 [60]HINTON G,SRIVASTAVA N,SWERSKY K.RMSPROP:将梯度除以最近量级的运行平均值[J]。机器学习神经网络,2012,4:26-31。 [61]RUBNER Y.推土机距离作为图像检索的度量[J]。国际计算机视觉杂志,2000,40(2):99-121。 [62]KUSNER M,SUN Y,KOLKIN N.WEINBERGER K。从单词嵌入到文档距离[C]//机器学习国际会议论文集,2015:957-966。 [63]何凯,张晓云,任世清,等.图像识别的深度剩余学习[C]//IEEE计算机视觉与模式识别会议论文集。华盛顿特区:IEEE计算机协会,2016年:770-778。 [64]LIN T Y,MAIRE M,BELONGIE S,et al.微软COCO:common objects in context[C]//欧洲计算机视觉会议论文集,2014:740-755。 [65]IOFFE S,SZEGEDY C.批量规范化:通过减少内部协变量偏移加速深层网络训练[C]//机器学习国际会议论文集,2015:448-456。 [66]GOODFELLOW I,POUGET A J,MIRZA M,et al.生成对抗网[C]//第27届神经信息处理系统国际会议论文集,2014:2672-2680。 [67]韩J,SHOEIBY M,PETERSSON L,等.无监督图像到图像转换的双重对比学习[C]//IEEE/CVF计算机视觉与模式识别会议论文集,2021:746-755。 [68]Prisma Labs,Inc.Prisma:利用人工智能将记忆变成艺术[EB/OL]。(2016) [2023-08-15]. http://prismaai.com。 [69]把你的照片变成艺术:用你最喜欢的艺术家的风格重新绘制你的照片[EB/OL]。(2018-11-11) [2023-08-15]. http://deepart.io。 [70] 吴广, 王元浩. 基于深度风格迁移网络的文物数字拓片生成技术[J] ●●●●。科技创新与应用, 2023, 13(14): 36-39. WU G,WANG Y H.一种基于深度型偏移网络的数字摩擦生成方法[J]。技术创新与应用,2023,13(14):36-39。 [71] 孙鹏, 童世博. 面向图像与视频的人工智能[J]。中国刑警学院学报, 2022(4): 118-128. SUN P,TONG S B.图像和视频的人工智能篡改技术调查[J]。中国公安大学刑事侦查学报,2022(4):118-128。 [72] 蒋泽宇, 韩荣, 刘晓鸿, 等. 基于深度学习的医学影像高效生成方法研究[J] ●●●●。医疗卫生装备, 2023, 44(2): 1-4. 姜志勇,韩锐,刘晓华,等。基于深度学习的医学图像生成方法研究[J]。中国医疗器械杂志,2023,44(2):1-4。 [73] 卞殷旭, 邢涛, 邓伟杰, 等. 基于深度学习的色彩迁移生物医学成像技术[J] ●●●●。红外与激光工程, 2022, 51(2): 339-356. BIAN Y X,XING T,DENG W J,等.基于深度学习的彩色转移生物医学成像技术[J]。红外与激光工程,2022,51(2):339-356。 [74] 张如涛, 黄山, 汪鸿浩. 基于改进CycleGAN公司的道路场景语义分割研究[J] ●●●●。计算机工程与应用, 2022, 58(15): 278-284. 张瑞堂,黄斯,王海宏。基于改进cyclegan的道路场景语义分割研究[J]。计算机工程与应用,2022,58(15):278-284。 [75] 李轩, 王飞跃. 面向智能驾驶的平行视觉感知: 基本概念、框架与应用[J] ●●●●。中国图象图形学报, 2021, 26(1): 67-81. 李霞,王福英.智能驾驶的并行视觉感知:基本概念、框架与应用[J]。图像与图形杂志,2021,26(1):67-81。 [76]菲利普斯·F,麦金托什·B·维基美术馆,inc:批判性思维案例[J]。会计教育问题,2011,26(3):593-608。 [77]邓J,董伟,SOCHER R,等.ImageNet:一个大规模层次化图像数据库[C]//2009 IEEE计算机视觉与模式识别会议论文集,2009:248-255。 [78]YANN L.C.Montréal大学,MNIST手写数字数据库[DB/OL]。(2010) [2023-08-15]. http://yann.lecun.com/exdb/mnist/。 [79]THOMEE B,ELIZALDE B,SHAMMA D A,等.YFCC100M:多媒体研究中的新数据[J]。ACM通讯,2016,59(2):64-73。 [80]HUISKES M J,LEW M S。MIR flickr检索评估[C]//第一届ACM多媒体信息检索国际会议论文集,2008:39-43。 [81]于峰,张毅,宋S,等.LSUN:利用人在回路中的深度学习构建大规模图像数据集[J]。arXiv:1506.033652015年。 [82]亚历山大A,莫奈C.克劳德·莫奈[M]。【S.l.】:纳布出版社,2010年。 [83]CIMPOI M,MAJI S,KOKKINOS I,et al.描述野生纹理[C]//2014 IEEE计算机视觉和模式识别会议论文集,2014:3606-3613。 [84]刘Z,罗平,王X,等.野外深度学习人脸属性[C]//2015 IEEE计算机视觉国际会议论文集,2015:3730-3738。 [85]WILBER M J,FANG C等.BAM!超越摄影的视觉艺术媒体数据集[C]//2017年IEEE国际计算机视觉会议论文集,2017:1211-1220。 [86]WINDER S,BROWN M.学习局部图像描述符[C]//2009 IEEE计算机视觉和模式识别会议论文集,2007:1-8。 [87]王Z,BOVIK A C,SHEIKH H R,等.图像质量评估:从错误可见性到结构相似性[J]。IEEE图像处理汇刊,2004,13(4):600-612。 [88]HEUSEL M,RAMSAUER H,UNTERTHINER T,et al.用双时间尺度更新规则训练的GAN收敛到局部纳什均衡[C]//第31届神经信息处理系统国际会议论文集,2017:6629-6640。 [89]王振中,赵磊,陈海波,等.评价和改进神经风格转移的质量[J]。计算机视觉和图像理解,2021207:103203。 |