基于边缘增强和关联损失的服装图像风格迁移

服装图案风格的迁移可以依据个人需要调整对应的风格服饰,满足大众对精神生活越来越高的需求。传统的服装图案风格迁移多采用简单纹理,内容较为单一,图像效果不够理想。针对这些问题,提出了一种基于边缘增强和关联损失的服装图案风格迁移方法(EnAdaIN)。首先,依据Kirsch算子对图像的原始边缘特征进行提取,同时结合Mask R-CNN深度学习方法对服装图像进行语义分割;然后,通过改进AdaIN算法构建基于空间关联损失的EnAdaIN方法,并输出风格迁移图像。EnAdaIN方法在融合边缘特征与语义风格图像的基础上实现服装图像的风格迁移,在融合空间关联损失算法的基础上进一步提升图像的特征相似度。研究表明:EnAdaIN方法峰值信噪比相较于其他方法提升超过0.95%,结构相似性提升超过2.43%,迁移效率提升超过了3.53%,生成后的图像信息色彩更为丰富、特征明显,进一步提升了图像的对比度和质量。

人脸妆容迁移研究综述

人脸妆容迁移的目标是在保持源图像面部特征的同时,将人脸妆容从参考图像迁移到源图像,具有重要的理论研究价值和巨大的市场应用价值。目前,生成对抗网络已成为解决人脸妆容迁移问题的主流技术。阐述了人脸妆容迁移面临的主要挑战,按照重点解决问题的不同系统地梳理了已有的人脸妆容迁移方法并分析了其优点和局限性,总结了人脸妆容迁移网络常用的损失函数,介绍了常用的人脸妆容迁移数据集以及模型评价方法,讨论了人脸妆容迁移领域未来的发展趋势。