新的基于GAN的局部写实感漫画图像风格迁移

利用生成对抗网络对图像进行风格迁移,将真实世界的图像直接转换为高品质动漫风格,是当今计算机视觉的研究热点之一。针对目前流行的AnimeGAN和CartoonGAN漫画生成对抗网络在图像迁移中存在细节丢失严重、色彩失真等问题。通过引入SE-Residual Block(挤压激励残差块)、漫画脸部检测机制并优化损失函数提出全新的ExpressionGAN解决了AnimeGAN迁移图像细节丢失严重的问题。通过加入DSConv(分布偏移卷积)提出Scenery-GAN加快了训练速度并消除了CartoonGAN迁移图像中的歧义像素块。通过卷积优化了图像的融合边界。同时,提出了一种新的对原始图像人物和环境分别处理并融合的局部写实主义漫画模型。实验结果表明,与AnimeGAN和CartoonGAN相比,该方法在训练速度、漫画图像生成质量和图像局部写实感方面都有了明显的提升。

基于生成对抗网络的照片动漫风格化

基于Tensorflow训练了人脸动漫化模型和风景动漫风格转换的模型,并将此模型转为可在PyTorch下使用,摆脱Tensorflow的环境限制,仅需配置PyTorch相关环境即可成功使用。通过这些模型,用户可以将现实世界的图片转换为动漫的风格,体验到简单创作的乐趣。2个模型的训练使用新型的轻量级生成对抗网络AnimeGAN,以实现快速的动画风格转换。

基于微信小程序的数字图像处理平台的研究和实现

本文对如何将数字图像处理更好地应用于微信小程序平台的研究,对目前市场上的数字图像处理软件大多存在功能单一、效果无法完全满足用户需求的问题,提出了技术和算法上的实现和解决。