人工智能应用素养 课件 第15章　数字艺术设计领域中AI的应用——绘画风格迁移实战.pptx

绘画风格迁移产业背景人工智能应用素养

01目录CONTENTS绘画风格迁移产业背景

绘画风格迁移产业背景1Part

绘画风格迁移产业背景绘画，是人类通过点、线、色彩等要素，结合自身对世界的认识，将自己的审美感受及对现实的状况通过工具在平面上创作图像的一种活动。纵观整个人类艺术史，画家们因文化背景或个人经历的不同，而创作出了风格迥异的绘画作品。

绘画风格迁移产业背景描述一幅画作的风格，通常使用一些经验知识。例如，绘画工具、画面的色彩、线条、纹理、描绘物体的手法、光影的使用等。对这些抽象特点进行组合，对一个人的画作进行风格的描述。绘画风格迁移是通过对图像的风格进行模仿，实现用不同的艺术风格对图像内容的渲染。

绘画风格迁移产业背景图像风格迁移技术具有高效率，低成本的特点，被广泛应用于日常生活的各个领域。例如：艺术字创作。影视动画行业。应用软件设计。艺术作品创作。

绘画风格迁移产业背景在深度学习兴起之前，针对不同艺术风格的图像风格迁移任务的研究是独立展开的，需要根据不同风格的艺术理念建立不同的数学或统计模型，进而设计特定的风格迁移算法。基于深度学习的方法摒弃了传统各种算法的堆砌，只通过网络的自动学习，便能够学习模仿到原画家的精髓。AI创作绘画目前还主要处于借助计算机工具来表现人的创新、想法和情感的阶段。AI还不具有“灵感”，不能产生作品的创意、想法和情感。《爱德蒙·贝拉米肖像》

感谢您的观看！以上是

本节全部内容

绘画风格迁移的技术方案人工智能应用素养

01目录CONTENTS整体流程02技术路径

整体流程1Part

1.特征提取绘画风格迁移系统的流程2.训练3.输出结果整体流程

整体流程在特征提取阶段，使用神经网络分别提取图像的内容特征和风格特征。对特征重建可以理解卷积神经网络每一层都提取到了什么样的信息，帮助我们理解基于神经网络的图像艺术风格化原理。在训练阶段，建立起生成图像和内容图像之间的内容损失函数，生成图像和风格图像之间的损失函数。将两者结合得到总体损失函数。通过优化总体损失函数，更新生成图片。将生成的图片再送入神经网络进行多次迭代训练。当迭代达到既定的阈值，停止训练，输出最终的风格化图像。

整体流程特征提取从初始的图像开始，并建立旨在提供简洁、可计算的信息，从而促进后续的学习和训练步骤。本项目所提取的特征包括内容信息和风格信息两部分。

整体流程训练是向神经网络中输入足够多的样本，通过一定算法调整网络的损失函数，使输出与预期值相符。在本项目训练包括如下三个步骤：（1）接收内容图片、风格图片以及生成图片的特征。（2）分别计算内容误差和风格误差，得到总误差。（3）对总误差进行优化，生成输出图像。

整体流程当迭代达到次数或者损失函数达到既定的阈值，停止训练，进入在输出结果阶段，保存输出结果图像。

技术路径2Part

技术路径?

技术路径?

感谢您的观看！以上是

本节全部内容

项目相关的基础知识人工智能应用素养

01目录CONTENTSVGG19网络02梯度下降

VGG19网络1Part

VGG19网络VGG是牛津大学计算机视觉组（VisualGeometryGroup）和GoogleDeepMind公司联合研发的深度卷积神经网络。VGG网络相比之前的神经网络，错误率大幅下降，并取得了ILSVRC（ImageNetLargeScaleVisualRecognitionChallenge）2014比赛分类项目的第2名和定位项目的第1名。

VGG19网络VGG是牛津大学计算机视觉组（VisualGeometryGroup）和GoogleDeepMind公司联合研发的深度卷积神经网络。VGG网络相比之前的神经网络，错误率大幅下降，并取得了ILSVRC（ImageNetLargeScaleVisualRecognitionChallenge）2014比赛图像分类项目的第2名和目标定位项目的第1名。

VGG19网络特征图上的数字表示特征图的大小和通道数，如224×224×64表示每个特征图大小为224×224，特征图数量为64；convolution表示卷积层，conv1——conv5分别代表第一到第五层卷积，3×3conv表示卷积层使用3x3大小的卷积核；ReLu表示使用ReLu激活函数；MaxPooling表示采用最大值池化；FullyConnected表示全连接层；Softmax表示使用Softmax函数（归一化指数函数）作为激活函数。

VGG19网络VGG网络的优点网络的结构非常简洁，整个网络都使用了同样大小的卷积核尺寸（3x3）和最大池化尺寸（2x2）；几个小滤波器（3x3）卷积层的组合比一个大滤波器（5x5或7x7）卷积层好：验证了通过不断加深网络结构可以提升性