科技与创新┃ScienceandTechnology&Innovation·176·2023年第13期文章编号：2095-6835（2023）13-0176-03基于深度学习的中国画风格迁移熊文楷（江西理工大学电气工程与自动化学院，江西赣州341000）摘要：在深度学习领域中，风格迁移是非常重要的一个部分。如今风格迁移技术已经被广泛运用于艺术、影视行业。利用VGG19预训练网络模型进行训练，逐像素分析风格图片与内容图片，通过计算内容与风格损失函数，调配好两者权重比，并通过梯度下降法不断降低两者的损失，最终生成一张具有中国画风格的新图像。实验结果表明，本文方法能够较好地实现中国画风格迁移。关键词：深度学习；风格迁移；中国画；VGG19中图分类号：TP391.41文献标志码：ADOI：10.15913/j.cnki.kjycx.2023.13.054近年来，深度卷积的神经网络在电脑视觉应用领域中的研究已经受到了普遍的重视。新时期的科学家们利用反卷积算法分析图像的各个部分，甚至每一个像素点对图像传输的影响。并采用梯度下降算法来调整目标函数，通过多层迭代、多次梯度下降以进行更浅层的深度网络系统中的图像重建工作，训练了一个数量达120亿的高分辨率图像数据集的深度卷积算法神经网络，在图像特征识别的数据收集方面已经获得了非常好的成果[1]。2015年，受深度卷积神经网络的启发，GATYS等[2]提供了一个采用神经网络、卷积网络技术的图像风格迁移方法。直至今日，风格迁移已经发展得比较完善，在许多行业尤其是艺术相关的行业有着非常广泛的应用。目前，图片的风格迁移技术已在镜头滤镜与字体设计两个领域大量投入使用[3]。1VGG网络模型1.1VGG系列模型介绍VGG系列是由OxfordVisualGeometryGroup研发的主要用于深度学习中风格迁移领域的预训练网络模型，目前VGG16与VGG19是最常用的2个版本。VGG16中内含了5个卷积层，每一个卷积层的基本构造都由卷积层、池化层和ReLU激活函数3个部分所构成。VGG19的神经网络模型与VGG16神经网络模型的构造上大同小异，但具体不同之处在于其卷积部分，VGG19的第1、2段的卷积次数为2，而第3、4、5段的卷积次数则为4。VGG16与VGG19并无本质区别，VGG19相对于VGG16而言，多出了3层卷积层，已训练的模型更大，迁移图片数据的泛用性也更好，网络深度也更深，可以更合理地分配各层的学习任务，从而拟合更加复杂的抽象特征，提高图片生成的质量。而VGG16相较于VGG19而言，模型更小更简洁，运行速度也更快。但相对而言，图片生成质量不如VGG19。因此，本次设计选用的是VGG19模型...
