公开(公告)号：CN108961350A

公开(公告)日：2018-12-07

申请号：CN201810784714.4

申请日：2018-07-17

Applicant: 北京工业大学

Inventor： 孙安澜 ,  马伟 ,  祝玮

IPC: G06T11/00 ,  G06K9/46 ,  G06K9/62

CPC classification number: G06T11/001 ,  G06K9/4671 ,  G06K9/6201 ,  G06K9/6256

Abstract: 本发明涉及一种基于显著性匹配的画风迁移方法，核心为一个基于显著度匹配的画风迁移深度神经网络模型。该模型由特征抽取、子画风迁移、基于显著度的区域分解和画风图像合成，四个模块组成。在训练时，对所构建的画风迁移网络模型进行分支训练，使每个分支向目标作用优化。与现有技术相比，本发明具有以下优点：1)依据内容图中对象显著度和画风图中子画风显著度的一致性进行画风迁移，能够将显著的画风迁移到内容图的显著对象上，从而保证迁移风格后的内容图中的对象显著性顺序保持不变。同时，不同显著度的对象物继承单一子画风，不会因为同一对象继承不同子画风造成风格混乱；2)生成的带画风图像更加光滑、无噪声。

公开(公告)号：CN108961350B

公开(公告)日：2023-09-19

申请号：CN201810784714.4

申请日：2018-07-17

Applicant: 北京工业大学

Inventor： 孙安澜 ,  马伟 ,  祝玮

IPC: G06T3/00 ,  G06T11/40 ,  G06V10/82 ,  G06V10/46 ,  G06V10/74 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明涉及一种基于显著性匹配的画风迁移方法，核心为一个基于显著度匹配的画风迁移深度神经网络模型。该模型由特征抽取、子画风迁移、基于显著度的区域分解和画风图像合成，四个模块组成。在训练时，对所构建的画风迁移网络模型进行分支训练，使每个分支向目标作用优化。与现有技术相比，本发明具有以下优点：1)依据内容图中对象显著度和画风图中子画风显著度的一致性进行画风迁移，能够将显著的画风迁移到内容图的显著对象上，从而保证迁移风格后的内容图中的对象显著性顺序保持不变。同时，不同显著度的对象物继承单一子画风，不会因为同一对象继承不同子画风造成风格混乱；2)生成的带画风图像更加光滑、无噪声。