[1]唐稔为, 刘启和, 谭浩. 神经风格迁移模型综述[J] ●●●●。，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] ●●●●。，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 L A，ECKER A S，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] 李彦宏，王恩英，刘建英，等.神经风格转移的解释学[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.
ZENG X H，LU Y Z，TONG S Y，等。结合基于MRF和基于gram的特征的写实主义风格转移[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] ●●●●。，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]李毅，方C，杨杰，等.基于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，2017:3920-3928。
[33]陈D，袁L，廖J，YU N，HUA G.样式库：神经图像样式转移的显式表示[C]//IEEE计算机视觉与模式识别会议论文集，20171897-1906。
[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.基于补丁的任意风格的快速风格转移[C]//NIPS建设性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]李毅，方C，杨杰，等.基于特征变换的通用风格转换[C]//神经信息处理系统进展，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] ●●●●。，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]于毅，李德，李斌，等.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] 技术[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] ●●●●。，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计算机学会，2016:770-778。
[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.批量标准化：通过减少内部协变量偏移来加速深度网络训练[C]//《国际机器学习大会论文集》，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：使用人工智能将记忆转化为艺术[EB/OL]。(2016) [2023-08-15]. 网址：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篡改技术综述[J] ●●●●。中国刑警学院学报, 2022(4): 118-128.
孙鹏，汤世斌.图像和视频人工智能篡改技术综述[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] ●●●●。，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.
LI X，WANG F Y.智能驾驶的并行视觉感知：基本概念、框架和应用[J]。图像与图形杂志，2021，26（1）：67-81。
[76]菲利普斯·F，麦金托什·B·维基美术馆公司：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]YU F，ZHANG Y，SONG S，et al.LSUN：使用深度学习构建大规模图像数据集，让人类处于循环中[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！用于摄影以外识别的行为艺术媒体数据集[C]//2017 IEEE计算机视觉国际会议论文集，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。 |
