收稿日期：２０２０ ０３ １４；修回日期：２０２０ ０５ ０６  基金项目：国家自然科学基金资助项目（９１７４６１０７）
  作者简介：赵宇欣（１９９５ ），女，山西晋中人，硕士研究生，主要研究方向为机器学习、深度学习、计算机视觉（ｚｈａｏｙｕｘｉｎ＿ａｌｉｃｅ＠ｔｊｕ．ｅｄｕ．ｃｎ）；王冠（
１９９２ ），女，内蒙古呼伦贝尔人，博士研究生，主要研究方向为深度学习、数学物理反问题．基于生成式对抗网络的画作图像合成方法
赵宇欣，王　冠
（天津大学数学学院，天津３００３５４）
摘　要：画作图像合成旨在将两个不同来源的图像分别作为前景和背景融合在一起，这通常需要局部风格迁
移。现有算法过程繁琐且耗时，不能做到实时的图像合成。针对这一缺点，提出了基于生成式对抗网络（ｇｅｎｅｒａ
ｔｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔ
，ＧＡＮ）的前向生成模型（ＰａｉｎｔｅｒＧＡＮ）。ＰａｉｎｔｅｒＧＡＮ的自注意力机制和Ｕ Ｎｅｔ结构控制合
成过程中前景的语义内容不变。同时，对抗学习保证逼真的风格迁移。在实验中，使用预训练模型作为ＰａｉｎｔｅｒＧＡＮ的生成器，极大地节省了计算时间和成本。实验结果表明，比起已有方法，ＰａｉｎｔｅｒＧＡＮ生成了质量相近甚至更好的图像，生成速度也提升了４００倍，在解决局部风格迁移问题上是高质量、高效率的。关键词：图像风格迁移；生成对抗网络；图像合成；自注意力机制中图分类号：ＴＰ３９１ ４１  　文献标志码：Ａ  　文章编号：１００１ ３６９５（２０２１）０４ ０４７ １２０８ ０４ｄｏｉ
：１０．１９７３４／ｊ．ｉｓｓｎ．１００１ ３６９５．２０２０．０３．００８２Ｐａｉｎｔｅｒｌｙｉｍａｇｅｃｏｍｐｏｓｉｔｉｏｎｂａｓｅｄｏｎｇｅｎｅｒａｔｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔ
ＺｈａｏＹｕｘｉｎ，ＷａｎｇＧｕａｎ
（ＳｃｈｏｏｌｏｆＭａｔｈｅｍａｔｉｃｓ，ＴｉａｎｊｉｎＵｎｉｖｅｒｓｉｔｙ，Ｔｉａｎｊｉｎ３００３５４，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｐａｉｎｔｅｒｌｙｉｍａｇｅｃｏｍｐｏｓｉｔｉｎｇａｉｍｓｔｏｈａｒｍｏｎｉｚｅａｆｏｒｅｇｒｏｕｎｄｉｍａｇｅｉｎｓｅｒｔｅｄｉｎｔｏａｂａｃｋｇｒｏｕｎｄｐａｉｎｔｉｎｇ，ｗｈｉｃｈｉｓｄｏｎｅｂｙｌｏｃａｌｓｔｙｌｅｔｒａｎｓｆｅｒ．Ｔｈｅｃｈｉｅｆｄｒａｗｂａｃｋｏｆｔｈｅｅｘｉｓｔｉｎｇｍｅｔｈｏｄｓｉｓｔｈｅｈｉｇｈｃｏｍｐｕｔａｔｉｏｎａｌｃｏｓｔ，ｗｈｉｃｈｍａｋｅｓｒｅａｌ ｔｉｍｅ
ｏｐｅｒａｔｉｏｎｄｉｆｆｉｃｕｌｔ．Ｔｏｏｖｅｒｃｏｍｅｔｈｉｓｄｒａｗｂａｃｋ
，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｄａｆｅｅｄ ｆｏｒｗａｒｄｍｏｄｅｌｂａｓｅｄｏｎｇｅｎｅｒａｔｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔ ｗｏｒｋ（ＧＡＮ），ｃａｌｌｅｄＰａｉｎｔｅｒＧＡＮ．ＰａｉｎｔｅｒＧＡＮｉｎｔｒｏｄｕｃｅｄａｓｅｌｆ ａｔｔｅｎｔｉｏｎｎｅｔｗｏｒｋａｎｄａＵ Ｎｅｔｔｏｃｏｎｔｒｏｌｔｈｅｓｅｍａｎｔｉｃｃｏｎｔｅｎｔｉｎｔｈｅｇｅｎｅｒａｔｅｄｉｍａｇｅ．Ｍｅａｎｗｈｉｌｅ，ａｄｖｅｒｓａｒｉａｌｌｅａｒｎｉｎｇｇｕａｒａｎｔｅｅｄａｆａｉｔｈｆｕｌｔｒａｎｓｆｅｒｏｆｓｔｙｌｅ．ＰａｉｎｔｅｒＧＡＮａｌｓｏｉｎｔｒｏｄｕｃｅｄａｐｒｅ ｔｒａｉｎｅｄｎｅｔｗｏｒｋｗｉｔｈｉｎｔｈｅｇｅｎｅｒａｔｏｒｔｏｅｘｔｒａｃｔｆｅａｔｕｒｅｓ．ＴｈｉｓａｌｌｏｗｅｄＰａｉｎｔｅｒＧＡＮｔｏｄｒａｍａｔｉｃａｌｌｙｒｅｄｕｃｅｔｒａｉｎｉｎｇ ｔｉｍｅａｎｄｓｔｏｒａｇｅ．Ｅｘｐｅｒｉｍｅｎｔｓｓｈｏｗｔｈａｔ，ｃｏｍｐａｒｅｄｔｏｓｔａｔｅ ｏｆ ａｒｔｍｅｔｈｏｄｓ，ＰａｉｎｔｅｒＧＡＮｇｅｎｅｒａｔｅｄｉｍａｇｅｓｈｕｎｄｒｅｄｓｏｆｔｉｍｅｓｆａｓｔｅｒｗｉｔｈｃｏｍｐａｒａｂｌｅｏｒｓｕｐｅｒｉｏｒｑｕａｌｉｔｙ．Ｔｈｅｒｅｆｏｒｅ，ｉｔｉｓｅｆｆｅｃｔｉｖｅａｎｄｅｆｆｉｃｉｅｎｔｆｏｒｌｏｃａｌｓｔｙｌｅｔｒａｎｓｆｅｒ．Ｋｅｙｗｏｒｄｓ：ｉｍａｇｅｓｔｙｌｅｔｒａｎｓｆｅｒ；ＧＡＮ；ｉｍａｇｅｃｏｍｐｏｓｉｔｉｎｇ；ｓｅｌｆ ａｔｔｅｎｔｉｏｎ
０　引言
图像合成属于图像变换问题，目的是通过模型将一个简单的粘贴合成图像转变成一个融合为一体的图像。例如，将一个人像（前景）插入到一张照片（背景）中，图像合成期望将两者融合在一起，使得观察者以为这个人像本来就在照片中。因为前景和背景的光线、明亮、纹理等风格特征不同，简单的粘贴合成会造成不自然的视觉效果，可以被轻易判断为假的合成物。因此需要一个融合过程将背景的部分风格迁移到前景来，使它们的合成物在视觉上是统一协调的。针对照片的图像合成，不同工作分别通过匹配前景和后景的统计特征，如直方图、均值
正则匹配一张图片方差［１］、协方差［２］
等进行融合。针对画作的图像合成，Ｌｕａｎ等人［３］
提出了基于ＰａｔｃｈＭａｔｃｈ和神经网络的局部风格迁移模型。本文也就这一问题提出新的思路。与图像合成紧密相连
的一个概念就是图像的风格迁移。随着深度学习［
４，５］
的进一步发展，文献［６］提出神经风格迁移（ｎｅｕｒａｌｓｔｙｌｅｔｒａｎｓｆｅｒ，ＮＳＴ），通过深度神经网络将油画的风格特征迁移到图像上，同时保留了图像本身的内容。考虑到ＮＳＴ的优化过程较为耗时，文献［７，８］设计了快速前向生成模型，提高了图像生成的
速度。在这之后，大量的工作
［９，１０］
被提出，积极推动了这个领域的发展。目前这些工作都是针对全局风格迁移问题，不适用于画作图像的合成，例如，粘贴一束花到梵高的油画作品星空中，一个理想的融合结果是这束花具有和画中其他植物相似的
风格，而不是集中夜空、山脉、人物所有风格于一体。
生成式对抗网络［１１］
在２
０１４年被提出，在很多图像问题上有令人印象深刻的表现。ＧＡＮ由生成器和鉴别器组成，其中生成器试图生成与真实数据相似的图片，而鉴别器则尽力识别出这些生成的图片，直到它们达到纳什平衡，在这种状态下，生
成器可以生成足够逼真的数据。ｃ
ＧＡＮ［１２］
用卷积神经网络构造生成器和鉴别器，并用于解决图像方面的问题；ＩｃＧＡＮ［１３］
将ＧＡＮ和编码器结合起来在特征空间编辑图像属性，以控制图
像的生成；ＣｙｃｌｅＧＡＮ［１４］
用双向映射的ＧＡＮ模型来完成图像到
图像的生成任务；
Ｚｈａｎｇ等人［１５］
将自注意力机制插入到ＧＡＮ中，大幅提升图像生成质量。不同于对图像迭代优化的思路，这些模型极大地提升了图像的生成速度，但是生成的图像细节性不够，不同像素区域之间相关性不强。
本文基于Ｇ
ＡＮ提出一个用于画作图像合成的全新模型ＰａｉｎｔｅｒＧＡＮ。通过对抗训练，损失函数驱动ＰａｉｎｅｒＧＡＮ学习目标背景的明暗、彩、纹理等风格特征，同时尽最大可能保留训练数据的语义内容不变。在训练完成后，将任意内容的前景图像输入到模型中，ＰａｉｎｔｅｒＡＧＮ都可以将其渲染成目标的背景风格，当渲染完成的前景图像贴入背景中时，能完全融入其中，令
观看者无法判断该合成图像的真假，
ＰａｉｎｔｅｒＧＡＮ以此完成从背景到前景的局部风格迁移。在这个过程中，一个关键点是原始内容和逼真风格之间的矛盾。当前景的内容被赋予较大的权重，迁移的风格通常与背景不一致；反之，当风格迁移更被重视，原本的内容会有一定程度的信息损失。基于单阶段的优化
第３８卷第４期２０２１年４月　计算机应用研究
ＡｐｐｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＣｏｍｐｕｔｅｒｓＶｏｌ．３８Ｎｏ．４
Ａｐｒ．２０２１
方案很难同时平衡两者，如ＰａｔｃｈＭａｔｃｈ［１６］
；基于二阶段的优化方案通过粗糙—细节两个阶段逐步优化生成图像，但是计算成
本过高，如ＤＰＨ［３］
。ＰａｉｎｔｅｒＧＡＮ在ＧＡＮ的基础上进行改进，
通过引入自注意力机制和Ｕ
Ｎｅｔ来控制前景的语义内容不变，同时对抗训练又保证风格逼真且与背景一致。在模型训练过程中，Ｐａｉｎｔｅｒ
ＧＡＮ用预训练的ＶＧＧ替代生成器中的编码器，极大地节省了计算空间和时间。
１　本文方法
ＧＡＮ的基本思想是通过映射将特定数据分布转换为目标
数据分布。训练过程中对抗损失函数驱动整个模型的参数优化，最终使之达到局部最优点。在画作的图像合成问题中，ＰａｉｎｔｅｒＧＡＮ的生成器将前景映射到背景图像的分布中，使之具
有背景的风格特征。本节将对自注意力机制、
ＰａｉｎｔｅｒＧＡＮ的网络结构和模型的损失函数进行详细描述。１ １　自注意力机制的基本原理
自注意力机制在图像生成过程中通过建立不同像素区域的相关性，有助于促进物体的轮廓完整。在卷积计算中，比起整幅图像，单个卷积核通常提供很小的感受野，例如３×３或者４×４。相应地，在卷积计算的前几层，图像的细颗粒度信息可以被捕获。随着层数的增加，卷积核的感受野逐渐变大，模型能抓取图像中的语义内容，但是深层的特征映射丢失了很多信息，不同区域之间建立的联系很难有效传递到模型的浅层。由于卷积计算的这些局限，已有的风格迁移方法倾向于生成带有破碎边缘的物体。自注意力机制是一个可行的解决方法。
自注意力机制通常用于自然语言处理中的前后文语义理
解。Ｚｈａｎｇ等人［１５］
首次将其引入到ＧＡＮ中用于图像分类。在其他的计算机视觉任务中，自注意力机制也被证明是有效的。从理论上说，它对人眼更容易注意到的图像区域反映更强烈，以此来增强物体的显著性。自注意力网络被引入在Ｐａｉｎｔｅｒ
ＧＡＮ的生成器下采样之后、上次采样之前。其基本思想［１５］
可以总结为：
ａ）将编码器生成的特征映射输入到三个独立的卷积层，
ｆ（ｘ）＝Ｗｆｘ，ｇ（ｘ）＝Ｗｇｘ，ｈ（ｘ）＝Ｗｈｘ中，假设输入为ｘ∈ Ｃ×Ｎ
，
Ｎ＝ｈ×ｗ，三个卷积层的系数矩阵分别为Ｗｆ∈ Ｃ′×Ｃ
，Ｗｇ∈
Ｃ′×Ｃ
，Ｗｈ∈ Ｃ×Ｃ。ｂ）ｆ（ｘｉ）、ｇ（ｘｉ）用于计算ｈ（ｘｉ
）的权重，有βｊ，ｉ＝ｅｘｐ（ｓｉｊ
）∑Ｎｉ＝１
ｅｘｐ（ｓｉｊ
），ｓｉｊ＝ｆ（ｘｉ）Ｔ
ｇ（ｘｊ
）（１）
其中：βｊ，ｉ
用来衡量图像中第ｉ块像素区域对生成第ｊ块区域的重要性。
ｃ）输出是ｈ（ｘｉ）的加权和ｏ＝（ｏ１，ｏ２，…，ｏＮ）
。ｏｊ＝∑Ｎ
ｉ＝１βｊ，ｉｈ（ｘｉ
）
（２）
ｄ）考虑到一开始自注意力网络没有训练至局部最优点，参数γ用来调整输出。
ｙｉ＝γｏｉ＋ｘｉ
（３）
通过以上步骤，自注意力网络逐步发挥作用，来影响图像
的生成。
１ ２　ＰａｉｎｔｅｒＧＡＮ的网络结构
如图１所示，ＰａｉｎｔｅｒＧＡＮ主要包含生成器和鉴别器两个部分。其中生成器由编码器和解码器构成，它们的网络结构对称，对输入的图像分别进行下采样和重构。为了节省计算空间和时间，ＰａｉｎｔｅｒＧＡＮ用训练好的ＶＧＧ １９替代编码器。ＶＧＧ具有强大的特征提取功能，能同时抓取图像的像素级信息和语义内容。
下采样过程产生３２×３２的多通道特征映射，在其进入解码器之前，自注意力网络计算特征映射中不同区域的相关性。
此外，
Ｕ Ｎｅｔ串联编码器和解码器同一层级的特征。在编码器的指导下，解码器重构图像，生成器的结构如图２
所示。
ＰａｉｎｔｅｒＧＡＮ的另一个重要组成部分是鉴别器。基于ＧＡＮ
的模型一般向鉴别器输入真实数据和生成数据。鉴别器经过一个简单的下采样过程，对输入数据给出真（１）或假（０）
的判断。在本文的训练过程中，两种数据被分割为更小的像素块输入到模型的鉴别器中。这种处理减少了鉴别器的待训练参数，也使其具有更高的灵活性，能够接收任何像素的图像作为输入。综上，鉴别器用于监督进行逼真的风格迁移，自注意力机制和Ｕ Ｎｅｔ负责保存原本的语义内容，它们互相合作，保持风格迁移过程中内容和风格的平衡。１ ３　损失函数１ ３ １　对抗损失函数
正如前文中提到的，对抗损失函数驱动生成器和鉴别器达到平衡，两者的参数在训练过程中交替优化。生成器的损失函数为
Ｌａｄｖ（Ｇ）＝Ｅｆｉ～Ｓｄａｔａ
（ｆ）［ｌｏｇ（１－Ｄ（Ｇ（ｆｉ）））］（４）
鉴别器的损失函数为
Ｌａｄｖ（Ｄ）＝Ｅｇｉ～Ｓｄａｔａ
（ｇ）［ｌｏｇ（１－Ｄ（Ｇ（ｇｉ）））］＋Ｅｂｉ～Ｓｄａｔａ
（ｂ）［ｌｏｇＤ（ｂｉ）］（５）
其中：ｆｉ、ｂｉ、ｇｉ分别代表采样的前景图像、
背景图像和生成图像。损失函数的值显示了生成图像在多大程度上拥有目标的风格。１ ３ ２　内容损失函数
除去合理的风格，生成图像也应该保存其原本的语义内
容。为了满足这个要求，ＤＴＮ［１７］
发现当图像ｘ经过生成器得到Ｇ（ｘ），那么ｆ（ｘ）和ｆ（Ｇ（ｘ））是统一的，这里的ｆ是指将图像映射到特征空间的函数，这种现象被称为ｆ ｃｏｎｓｔａｎｃｙ。它背后的逻辑是：外观改变的图像仍具有本身的高级语义内容特征。虽然这种方法是可行的，但是实验表明，ｆ ｃｏｎｓｔａｎｃｙ是一个过于严苛的限制，在一定程度上压制了风格的多样性。
本文采用了像素级的内容损失函数来衡量输入图像和生成图像在内容上的不同。为了得到更清晰的图像细节，采用ｌ１范数计算。
Ｌｃｏｎ＝Ｅｆｉ～Ｓｄａｔａ
（ｆ）［‖Ｇ（ｆｉ）－ｆｉ‖１］（６）
１ ３ ３　ＴＶ正则项
为了鼓励图像的局部平滑，ＰａｉｎｔｅｒＧＡＮ采用了ＴＶ正则项。
ＬＴＶ＝∑ｉ，ｊ
（（ｘｉ，ｊ＋１－ｘｉ，ｊ）＋（ｘｉ＋１，ｊ－ｘｉ，ｊ
））（７）
其中：ｘｉ，ｊ
表示在（ｉ，ｊ）位置的像素值。综上，ＰａｉｎｔｅｒＧＡＮ的损失函数为
Ｌ（Ｇ，Ｄ）＝ω１Ｌａｄｖ＋ω２Ｌｃｏｎ＋ω３ＬＴＶ
（８）
其中：ω１、ω２、ω３分别代表对抗误差、
内容误差和正则项在整个函数中的权重。
·９０２１·第４期赵宇欣，等：基于生成式对抗网络的画作图像合成方法  　
２　实验
２ １　实验平台信息
本文实验基于带有ＮＶＩＤＩＡＧＴＸ１０８０ＴｉＧＰＵ处理器的Ｕｂｕｎｔｕ１６．０４操作系统，通过Ｐｙｔｈｏｎ语言和ＴｅｎｓｏｒＦｌｏｗ框架完成。预训练的ＶＧＧ １９作为生成器中的编码器，生成的特征映射ｃｏｎｖ４＿１作为自注意力网络的输入。Ｕ Ｎｅｔ连接对称的下采样和上采样卷积层。整个网络训练２００个回合，每批６４个数据。优化器为Ａｄａｍ，初始学习率为０．０００２，动量为０．５。
为了加速Ｐ
ａｉｎｔｅｒＧＡＮ的生成器收敛到最优点，该网络被初始化为一个重构函数。只用内容损失函数训练１０个回合，
生成器即可生成与输入相近的图像。文献［
１８］也用同样的想法来加速模型优化。２ ２　实验数据与处理
本文训练数据包含灰度图像和呈现不同风格的画作两部分。前者作为生成器的输入，后者和生成的图像作为鉴别器的输入。测试数据只包括灰度图像。
ａ）前景。３４８２张灰度图像来自电影《至爱梵高》，其中３０７０张用于训练模型，其余的用于测试。这些图像都经过裁剪，内容包括植物、建筑和人物等。
ｂ）背景。背景图像来自四部画作电影，其中《至爱梵高》共２９５９张，《父与女》共２５４８张，《回忆积木小屋》共１５７０张，《种树的牧羊人》共４１０４张。四组数据属于不同的画作流
派，风格不同。所有的训练数据被裁剪至２
５６×２５６大小，同时经过翻转和旋转来增强数据。２ ３　实验结果对比
实验对ＮＳＴ［６］、ＤｅｅｐＡｎａｌｏｇｙ［１９］、ＤＰＨ［３］
和ＰａｉｎｅｒＧＡＮ进行对比，如图３～７所示。ＮＳＴ通过对输入的白噪声不断优化进行全局风格迁移，实验结果显示这种方式并不适合画作的图像合成，合成物可以轻易被判断为假。例如，图７中的盘子混合了多种背景的颜风格，使其与背景并不协调。此外，图３中的人物背景和图５
中的火车都未能渲染合适的风格。
ＤＰＨ和ＤｅｅｐＡｎａｌｏｇｙ的实验结果与本文ＰａｉｎｔｅｒＧＡＮ的实
验结果是具有可比性的，但是个别图片表现较差。例如，在图４中，ＤＰＨ将花瓶融入到了背景中，使前景的边缘线条难以分辨，这与整体的风格不一致。图３中的人物背景也有同样的问
题。Ｄ
ｅｅｐＡｎａｌｏｇｙ渲染前景的风格与背景是一致的，但是忽略了前景的语义内容，因此只有在前景和后景内容相近的情况下表现较好。与它们相比，ＰａｉｎｔｅｒＧＡＮ不仅学习了视觉上足够逼真的风格，而且在合成过程中考虑到了前景的语义内容，在此基础上进行合理的局部风格迁移。值得一提的是，本文实验中前景统一被设置为２５６×２５６，但是ＰａｉｎｔｅｒＧＡＮ在测试过程中可以接收任意大小的图像作为输入。２ ４　实验性能量化比较
在模型的训练时间方面，比较ＰａｉｎｔｅｒＧＡＮ在未使用预训练的编码器和使用预训练的编码器两种情况下的计算时间和所需内存。结果显示，在达到相同的实验效果时，使用预训练的编码器减少了３３．８２％的神经元，将模型的训练时间减少４６．４９％。在图像生成时间方面，四种风格迁移方法中，ＮＳＴ是全局的风格迁移，ＤｅｅｐＡｎａｌｏｇｙ对前景和后景有严格的要求。只有ＤＰＨ和ＰａｉｎｔｅｒＧＡＮ适用于对任意前景的局部风格迁移，因
此这里对两者的图像合成时间进行比较，数值结果如表１
所示。表１　ＤＰＨ和ＰａｉｎｔｅｒＧＡＮ的生成速度比较
Ｔａｂ．１　ＣｏｍｐａｒｉｓｏｎｏｆｇｅｎｅｒａｔｉｏｎｔｉｍｅｂｅｔｗｅｅｎＤＰＨａｎｄＰａｉｎｔｅｒＧＡＮ
背景＋前景ＤＰＨ／ｍｉｎＰａｉｎｔｅｒＧＡＮ／ｓ
提速倍数至爱梵高＋人物７．５０１４５０种树的牧羊人＋帽子６．９７１４３２回忆积木小屋＋盘子
７．４２１４４５父与女＋火车７．５７１４５４平均时间及倍数
７．３７
１
４４２
  以上结果显示，ＰａｉｎｔｅｒＧＡＮ能实时地生成图像，比ＤＰＨ快４００倍。从这个角度看，ＰａｉｎｔｅｒＧＡＮ能有效学习图像的风格，并且能将任何前景高效地融入到该种风格的背景中。２ ５　损失函数的超参数调节
ＰａｉｎｔｅｒＧＡＮ的损失函数（式（８））的超参数ω１、ω２、ω３通过多次实验和调节，最终分别设为１
、７０、５０。这里选取三组不同超参数的损失函数和它们对应的测试结果进行对比，如图８
所示。
图８（ａ）（ｅ）为输入的测试图像；（ｂ）（ｆ）的损失函数中ω１
、ω２、ω３均为１
，可以看出图像的原始内容有部分丢失，如图（ｂ）中的花瓣发生畸变，图（ｆ）中花瓶的颈部图案丢失。于是在（ｃ）（ｇ）中提高内容损失的权重，设ω１、ω２、ω３为１、５０、１，但是在该组实验中，图中物体的边缘有不连续的情况，如图（ｇ）中花朵的轮廓。（ｄ）（ｈ）中相应提高ＴＶ项的权重，设ω１、ω２、ω３为１、７０、５０，抑制图像生成过程中的畸变，也保留了完整的语义内容，渲染效果最好。
３　结束语
ＰａｉｎｔｅｒＧＡＮ借助对抗训练，以图像到图像的前向生成方式重新考虑了图像合成中的局部风格迁移问题。它在ＧＡＮ中引
·０１２１·计算机应用研究第３８卷
入自注意力机制和Ｕ Ｎｅｔ来提高图像的生成质量，还进一步探索使用预训练的ＶＧＧ作为生成器的编码器部分，在保持模型生成图像质量不变的情况下，节省了训练时间和内存。实验表明，比起已有模型，ＰａｉｎｔｅｒＧＡＮ能完成
与它们质量不相上下的风格迁移，甚至在某些情况下表现更好，同时极大地提高了图像的生成速度，实现了实时图像合成。但是将本文模型用在视频的局部风格迁移上仍有较大的问题，这也是未来一项值得研究的工作。
参考文献：
［１］ＲｅｉｎｈａｒｄＥ，ＡｓｈｉｋｈｍｉｎＭ，ＧｏｏｃｈＢ，ｅｔａｌ．Ｃｏｌｏｒｔｒａｎｓｆｅｒｂｅｔｗｅｅｎｉｍａｇｅｓ［Ｊ］．ＩＥＥＥＣｏｍｐｕｔｅｒＧｒａｐｈｉｃｓａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２００１，２１（５）：３４ ４１．
［２］ＬｉＹｉｊｕｎ，ＬｉｕＭｉｎｇｙｕ，ＬｉＸｕｅｔｉｎｇ，ｅｔａｌ．Ａｃｌｏｓｅｄ ｆｏｒｍｓｏｌｕｔｉｏｎｔｏｐｈｏｔｏｒｅａｌｉｓｔｉｃｉｍａｇｅｓｔｙｌｉｚａｔｉｏｎ［Ｃ］／／ＰｒｏｃｏｆＥｕｒｏｐｅａｎＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ．Ｃｈａｍ：Ｓｐｒｉｎｇｅｒ，２０１８：４５３ ４６８．
［３］ＬｕａｎＦｕｊｕｎ，ＰａｒｉｓＳ，ＳｈｅｃｈｔｍａｎＥ，ｅｔａｌ．Ｄｅｅｐｐｈｏｔｏｓｔｙｌｅｔｒａｎｓｆｅｒ［Ｃ］／／ＰｒｏｃｏｆＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇ ｎｉｔｉｏｎ．Ｐｉｓｃａｔａｗａｙ，ＮＪ：ＩＥＥＥＰｒｅｓｓ，２０１７：６９９７ ７００５．
［４］刘建伟，刘媛，罗雄麟．深度学习研究进展［Ｊ］．计算机应用研究，２０１４，３１（７）：１９２１ １９３０．（ＬｉｕＪｉａｎｗｅｉ，ＬｉｕＹｕａｎ，ＬｕｏＸｉｏｎｇｌｉｎ．Ｒｅｓｅａｒｃｈａｎｄｄｅｖｅｌｏｐｍｅｎｔｏｎｄｅｅｐｌｅａｒｎｉｎｇ［Ｊ］．ＡｐｐｌｉｃａｔｉｏｎＲｅ ｓｅａｒｃｈｏｆＣｏｍｐｕｔｅｒｓ，２０１４，３１（７）：１９２１ １９３０．）
［５］毛勇华，桂小林，李前，等．深度学习应用技术研究［Ｊ］．计算机应用研究，２０１６，３３（１１）：３２０１ ３２０５．（ＭａｏＹｏｎｇｈｕａ，ＧｕｉＸｉａｏｌｉｎ，ＬｉＱｉａｎ，ｅｔａｌ．Ｓｔｕｄｙｏｎａｐｐｌｉｃａｔｉｏｎｔｅｃｈｎｏｌｏｇｙｏｆｄｅｅｐｌｅａｒｎｉｎｇ［Ｊ］．Ａｐ ｐｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＣｏｍｐｕｔｅｒｓ，２０１６，３３（１１）：３２０１ ３２０５．）［６］ＧａｔｙｓＬＡ，ＥｃｋｅｒＡＳ，ＢｅｔｈｇｅＭ．Ａｎｅｕｒａｌａｌｇｏｒｉｔｈｍｏｆａｒｔｉｓｔｉｃｓｔｙｌｅ［ＥＢ／ＯＬ］．（２０１５ ０８ ２６）．ｈｔｔｐｓ：／／ａｒｘｉｖ．ｏｒｇ／ａｂｓ／１５０８．０６５７６．［７］ＪｏｈｎｓｏｎＪ，ＡｌａｈｉＡ，ＬｉＦｅｉｆｅｉ．Ｐｅｒｃｅｐｔｕａｌｌｏｓｓｅｓｆｏｒｒｅａｌ ｔｉｍｅｓｔｙｌｅｔｒａｎｓｆｅｒａｎｄｓｕｐｅｒ ｒｅｓｏｌｕｔｉｏｎ［Ｃ］／／ＰｒｏｃｏｆＥｕｒｏｐｅａｎＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ．Ｃｈａｍ：Ｓｐｒｉｎｇｅｒ，２０１６：６９４ ７１１．
［８］ＵｌｙａｎｏｖＤ，ＬｅｂｅｄｅｖＶ，ＶｅｄａｌｄｉＡ，ｅｔａｌ．Ｔｅｘｔｕｒｅｎｅｔｗｏｒｋｓ：ｆｅｅｄ ｆｏｒｗａｒｄｓｙｎｔｈｅｓｉｓｏｆｔｅｘｔｕｒｅｓａｎｄｓｔｙｌｉｚｅｄｉｍａｇｅｓ［Ｃ］／／Ｐｒｏｃｏｆｔｈｅ３３ｒｄＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＭａｃｈｉｎｅＬｅａｒｎｉｎｇ
．ＮｅｗＹｏｒｋ：ＡＣＭＰｒｅｓｓ，２０１６：１３４９ １３５７．［９］ＩｏｆｆｅＳ，ＳｚｅｇｅｄｙＣ．Ｂａｔｃｈｎｏｒｍａｌｉｚａｔｉｏｎ：ａｃｃｅｌｅｒａｔｉｎｇｄｅｅｐｎｅｔｗｏｒｋｔｒａｉ ｎｉｎｇｂｙｒｅｄｕｃｉｎｇｉｎｔｅｒｎａｌｃｏｖａｒｉａｔｅｓｈｉｆｔ［Ｃ］／／ＰｒｏｃｏｆＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎ ｆｅｒｅｎｃｅｏｎＭａｃｈｉｎｅＬｅａｒｎｉｎｇ．ＮｅｗＹｏｒｋ：ＡＣＭＰｒｅｓｓ，２０１５：４４８ ４５６．［１０］ＬｉＣｈｕａｎ，ＷａｎｄＭ．ＣｏｍｂｉｎｉｎｇＭａｒｋｏｖｒａｎｄｏｍｆｉｅｌｄｓａｎｄｃｏｎｖｏｌｕ ｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓｆｏｒｉｍａｇｅｓｙｎｔｈｅｓｉｓ［Ｃ］／／ＰｒｏｃｏｆＩＥＥＥＣｏｎｆｅ ｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．Ｐｉｓｃａｔａｗａｙ，ＮＪ：ＩＥＥＥＰｒｅｓｓ，２０１６：２４７９ ２４８６．
［１１］ＧｏｏｄｆｅｌｌｏｗＩＪ，Ｐｏｕｇｅｔ ＡｂａｄｉｅＪ，ＭｉｒｚａＭ，ｅｔａｌ．Ｇｅｎｅｒａｔｉｖｅａｄｖｅｒ ｓａｒｉａｌｎｅｔｓ［Ｃ］／／ＰｒｏｃｏｆＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＮｅｕｒａｌＩｎｆｏｒｍａ ｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍｓ．Ｂｏｓｔｏｎ：ＭＩＴＰｒｅｓｓ，２０１４：２６７２ ２６８０．
［１２］ＭｉｒｚａＭ，ＯｓｉｎｄｅｒｏＳ．Ｃｏｎｄｉｔｉｏｎａｌｇｅｎｅｒａｔｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔｓ［Ｊ］．ＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，２０１４，５（３２）：２６７２ ２６８０．
［１３］ＩｓｏｌａＰ，ＺｈｕＪｕｎｙａｎ，ＺｈｏｕＴｉｎｇｈｕｉ，ｅｔａｌ．Ｉｍａｇｅ ｔｏ ｉｍａｇｅｔｒ
ａｎｓｌａｔｉｏｎｗｉｔｈｃｏｎｄｉｔｉｏｎａｌａｄｖｅｒｓａｒｉａｌｎｅｔｗｏｒｋｓ［Ｃ］／／ＰｒｏｃｏｆＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．Ｐｉｓｃａｔａｗａｙ，ＮＪ：ＩＥＥＥＰｒｅｓｓ，２０１６：５９６７ ５９７６．
［１４］ＺｈｕＪｕｎｙａｎ，ＰａｒｋＴ，ＩｓｏｌａＰ，ｅｔａｌ．Ｕｎｐａｉｒｅｄｉｍａｇｅ ｔｏ ｉｍａｇｅｔｒａｎｓｌａ ｔｉｏｎｕｓｉｎｇｃｙｃｌｅ ｃｏｎｓｉｓｔｅｎｔａｄｖｅｒｓａｒｉａｌｎｅｔｗｏｒｋｓ［Ｃ］／／ＰｒｏｃｏｆＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．Ｐｉｓｃａｔａｗａｙ，ＮＪ：ＩＥＥＥＰｒｅｓｓ，２０１７：２２４２ ２２５１．
［１５］ＺｈａｎｇＨａｎ，ＧｏｏｄｆｅｌｌｏｗＩ，ＭｅｔａｘａｓＤ，ｅｔａｌ．Ｓｅｌｆ ａｔｔｅｎｔｉｏｎｇｅｎｅｒａｔｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔｗｏｒｋｓ［ＥＢ／ＯＬ］．（２０１８ ０５ ２１）．ｈｔｔｐ：／／ｅｘｐｏｒｔ．ａｒｘｉｖ．ｏｒｇ／ａｂｓ／１８０５．０８３１８．
［１６］ＣｏｎｎｅｌｌｙＢ，ＥｌｉＳ，ＡｄａｍＦ，ｅｔａｌ．ＰａｔｃｈＭａｔｃｈ：ａｒａｎｄｏｍｉｚｅｄｃｏｒｒｅ ｓｐｏｎｄｅｎｃｅａｌｇｏｒｉｔｈｍｆｏｒｓｔｒｕｃｔｕｒａｌｉｍａｇｅｅｄｉｔｉｎｇ［Ｊ］．ＡＣＭＴｒａｎｓｏｎＧｒａｐｈｉｃｓ，２００９，２８（３）：ａｒｔｉｃｌｅＮｏ．２４．
［１７］ＴａｉｇｍａｎＹ，ＰｏｌｙａｋＡ，ＷｏｌｆＬ．Ｕｎｓｕｐｅｒｖｉｓｅｄｃｒｏｓｓ ｄｏｍａｉｎｉｍａｇｅｇｅｎｅｒａｔｉｏｎ［ＥＢ／ＯＬ］．（２０１６ １２ ０７）．ｈｔｔｐｓ：／／ａｒｘｉｖ．ｏｒｇ／ａｂ
ｓ／１６１１．０２２００．
［１８］ＣｈｅｎＹａｎｇ，ＬａｉＹｕｋｕｎ，ＬｉｕＹｏｎｇｊｉｎ．ＣａｒｔｏｏｎＧＡＮ：ｇｅｎｅｒａｔｉｖｅａｄ ｖｅｒｓａｒｉａｌｎｅｔｗｏｒｋｓｆｏｒｐｈｏｔｏｃａｒｔｏｏｎｉｚａｔｉｏｎ［Ｃ］／／ＰｒｏｃｏｆＩＥＥＥＣｏｎｆｅ ｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．Ｐｉｓｃａｔａｗａｙ，ＮＪ：ＩＥＥＥＰｒｅｓｓ，２０１８：９４６５ ９４７４．
［１９］ＬｉａｏＪｉｎｇ，ＹａｏＹｕａｎ，ＹｕａｎＬｕ，ｅｔａｌ．Ｖｉｓｕａｌａｔｔｒｉｂｕｔｅｔｒａｎｓｆｅｒｔｈｒｏｕｇｈｄｅｅｐｉｍａｇｅａｎａｌｏｇｙ［Ｊ］．ＡＣＭＴｒａｎｓｏｎＧｒａｐｈｉｃｓ，２０１７，３６（４）：１ １５．
（上接第１２０７页）
［２］ＫｅｙｓＲＧ．Ｃｕｂｉｃｃｏｎｖｏｌｕｔｉｏｎｉｎｔｅｒｐｏｌａｔｉｏｎｆｏｒｄｉｇｉｔａｌｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＡｃｏｕｓｔｉｃｓＳｐｅｅｃｈ＆ＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ，１９８１，３７（６）：１１５３ １１６０．
［３］ＨｏｕＨＳ，ＡｎｄｒｅｗｓＨＣ．Ｃｕｂｉｃｓｐｌｉｎｅｓｆｏｒｉｍａｇｅｉｎｔｅｒｐｏｌａｔｉｏｎａｎｄｄｉｇｉｔａｌｆｉｌｔｅｒｉｎｇ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＡｃｏｕｓｔｉｃｓＳｐｅｅｃｈａｎｄＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ，１９７９，２６（６）：５０８ ５１７．
［４］ＬｉＸｉｎ，ＯｒｃｈａｒｄＭＴ．Ｎｅｗｅｄｇｅ ｄｉｒｅｃｔｅｄｉｎｔｅｒｐｏｌａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ，２００１，１０（１０）：１５２１ １５２７．
［５］ＬｉｕＹｉｆａｎｇ，ＺｈａｎｇＹｕｎｆｅｎｇ，ＧｕｏＱｉａｎｇ，ｅｔａｌ．Ｉｍａｇｅｉｎｔｅｒｐｏｌａｔｉｏｎｂａｓｅｄｏｎｗｅｉｇｈｔｅｄａｎｄｂｌｅｎｄｅｄｒａｔｉｏｎａｌｆｕｎｃｔｉｏｎ［Ｃ］／／Ｐｒｏｃｏｆｔｈｅ１２ｔｈＡｓｉａｎＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ．Ｂｅｒｌｉｎ：Ｓｐｒｉｎｇｅｒ，２０１４：７８ ８８．
［６］刘一方．基于含参有理函数的图像插值理论及技术研究［Ｄ］．济南：山东财经大学，２０１５．（ＬｉｕＹｉｆａｎｇ．Ｒｅｓｅａｒｃｈｏｎｉｍａｇｅｉｎｔｅｒｐｏｌａ ｔｉｏｎｔｈｅｏｒｙａｎｄｔｅｃｈｎｏｌｏｇｙｂａｓｅｄｏｎｐａｒａｍｅｔｒｉｃｒａｔｉｏｎａｌｆｕｎｃｔｉｏｎ［Ｄ］．Ｊｉｎａｎ：ＳｈａｎｄｏｎｇＵｎｉｖｅｒｓｉｔｙｏｆＦｉｎａｎｃｅａｎｄＥｃｏｎｏｍｉｃｓ，２０１５．）［７］刘一方，张云峰，郭强，等．人眼视觉感知模型指导的有理函数图像插值［Ｊ］．西安电子科技大学学报，２０１６，４３（１）：１５１ １５６．（ＬｉｕＹｉｆａｎｇ，ＺｈａｎｇＹｕｎｆｅｎｇ，ＧｕｏＱｉａｎｇ，ｅｔａｌ．Ｉｍａｇｅｉｎｔｅｒｐｏｌａｔｉｏｎｏｆｒａ ｔｉｏｎａｌｆｕｎｃｔｉｏｎｇｕｉｄｅｄｂｙｈｕｍａｎｖｉｓｕａｌｐｅｒｃｅｐｔｉｏｎｍｏｄｅｌ［Ｊ］．ＪｏｕｒｎａｌｏｆＸｉｄｉａｎＵｎｉｖｅｒｓｉｔｙ，２０１６，４３（１）：１５１ １５６．）
［８］杜宏伟，张云峰，包芳勋，等．梯度优化的有理函数图像插值［Ｊ］．中国图象图形学报，２０１８，２３（５）：７６６ ７７７．（ＤｕＨｏｎｇｗｅｉ，ＺｈａｎｇＹｕｎｆｅｎｇ，ＢａｏＦａｎｇｘｕｎ，ｅｔａｌ．Ｒａｔｉｏｎａｌｆｕｎｃｔｉｏｎｉｍａｇｅｉｎｔｅｒｐｏｌａｔｉｏｎｆｏｒｇｒａｄｉｅｎｔｏｐｔｉｍｉｚａｔｉｏｎ［Ｊ］．ＪｏｕｒｎａｌｏｆＩｍａｇｅａｎｄＧｒａｐｈｉｃｓ，２０１８，２３（５）：７６６ ７７７．）
［９］ＺｈａｎｇＹｕｎｆｅｎｇ，ＢａｏＦａｎｇｘｕｎ，ＺｈａｎｇＣａｉｍｉｎｇ，ｅｔａｌ．Ｌｏｃａｌｓｈａｐｅｃｏｎｔｒｏｌｏｆａｂｉｖａｒｉａｔｅｒａｔｉｏｎａｌｉｎｔｅｒｐｏｌａｔｉｎｇｓｕｒｆａｃｅｗｉｔｈｍｉｘｉｎｇｃｏｎｄｉ ｔｉｏｎｓ［Ｃ］／／Ｐｒｏｃｏｆｔｈｅ８ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＳｙｍｐｏｓｉｕｍｏｎＶｏｒｏｎｏｉＤｉａ
ｇｒａｍｓｉｎＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ．Ｐｉｓｃａｔａｗａｙ，ＮＪ：ＩＥＥＥＰｒｅｓｓ，２０１１：２００ ２０５．
［１０］ＳｕｎＱｉｎｇｈｕａ，ＢａｏＦａｎｇｘｕｎ，ＺｈａｎｇＹｕｎｆｅｎｇ，ｅｔａｌ．Ａｂｉｖａｒｉａｔｅｒａ ｔｉｏｎａｌｉｎｔｅｒｐｏｌａｔｉｏｎｂａｓｅｄｏｎｓｃａｔｔｅｒｅｄｄａｔａｏｎｐａｒａｌｌｅｌｌｉｎｅｓ［Ｊ］．Ｊｏｕｒ ｎａｌｏｆＶｉｓｕａｌＣｏｍｍｕｎｉｃａｔｉｏｎａｎｄＩｍａｇｅＲｅｐｒｅｓｅｎｔａｔｉｏｎ，２０１３，２４（１）：７５ ８０．
［１１］ＲａｍｐｏｎｉＧ．Ｗａｒｐｅｄｄｉｓｔａｎｃｅｆｏｒｓｐａｃｅ ｖａｒｉａｎｔｌｉｎｅａｒｉｍａｇｅｉｎｔｅｒｐｏｌａ ｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ，１９９９，８（５）：６２９ ６３９．［１２］ＺｈａｎｇＬｅｉ，ＷｕＸｉａｏｌｉｎ．Ａｎｅｄｇｅ ｇｕｉｄｅｄｉｍａｇｅｉｎｔｅｒｐｏｌａｔｉｏｎａｌｇｏ ｒｉｔｈｍｖｉａｄｉｒｅｃｔｉｏｎａｌｆｉｌｔｅｒｉｎｇａｎｄｄａｔａｆｕｓｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＩｍａ ｇｅＰｒｏｃｅｓｓｉｎｇ，２００６，１５（８）：２２２６ ２２３８．
［１３］ＨｕｎｇＫＷ，ＳｉｕＷＣ．Ｒｏｂｕｓｔｓｏｆｔ ｄｅｃｉｓｉｏｎｉｎｔｅｒｐｏｌａｔｉｏｎｕｓｉｎｇｗｅｉｇｈ ｔｅｄｌｅａｓｔｓｑｕａｒｅｓ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ，２０１２，２１（３）：１０６１ １０６９．
［１４］ＤｏｎｇＷｅｉｓｈｅｎｇ，ＺｈａｎｇＬｅｉ，ＬｕｋａｃＲ，ｅｔａｌ．Ｓｐａｒｓｅｒｅｐｒｅｓｅｎｔａｔｉｏｎｂａｓｅｄｉｍａｇｅｉｎｔｅｒｐｏｌａｔｉｏｎｗｉｔｈｎｏｎｌｏｃａｌａｕｔｏｒｅｇｒｅｓｓｉｖｅｍｏｄｅｌｉｎｇ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ，２０１３，２２（４）：１３８２ １３９４．［１５］ＬｅｅＳＪ，ＫａｎｇＭＣ，ＵｈｍＫＨ，ｅｔａｌ．Ａｎｅｄｇｅ ｇｕｉｄｅｄｉｍａｇｅｉｎｔｅｒｐｏ ｌａｔｉｏｎｍｅｔｈｏｄｕｓｉｎｇＴａｙｌｏｒｓｅｒｉｅｓａｐｐｒｏｘｉｍａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＣｏｎｓｕｍｅｒＥｌｅｃｔｒｏｎｉｃｓ，２０１６，６２（２）：１５９ １６５．
［１６］范清兰，张云峰，包芳勋，等．基于ＮＳＣＴ的区域自适应图像插值算法［Ｊ］．计算机研究与发展，２０１８，５５（３）：６２９ ６４２．（ＦａｎＱｉｎｇ ｌａｎ，ＺｈａｎｇＹｕｎｆｅｎｇ，ＢａｏＦａｎｇｘｕｎ，ｅｔａｌ．ＡｒｅｇｉｏｎａｄａｐｔｉｖｅｉｍａｇｅｉｎｔｅｒｐｏｌａｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｔｈｅＮＳＣＴ［Ｊ］．ＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＲｅｓｅａｒｃｈａｎｄＤｅｖｅｌｏｐｍｅｎｔ，２０１８，５５（３）：６２９ ６４２．）
［１７］朱炯，严丽军，马燕．改进ＳＳＩＭ图像评价系统的开发与应用［Ｊ］．计算机工程与应用，２０１９，５５（１２）：２１５ ２１９．（ＺｈｕＪｉｏｎｇ，ＹａｎＬｉ ｊｕｎ，ＭａＹａｎ．ＤｅｖｅｌｏｐｍｅｎｔａｎｄａｐｐｌｉｃａｔｉｏｎｏｆｉｍｐｒｏｖｅｄＳＳＩＭｉｍａｇｅｅｖａｌｕａｔｉｏｎｓｙｓｔｅｍ［Ｊ］．ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２０１９，５５（１２）：２１５ ２１９．）
·
１
１
２
１
·
第４期赵宇欣，等：基于生成式对抗网络的画作图像合成方法  　

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。