1. 研究目的与意义（文献综述）

1.1 研究背景及意义

艺术风格，指艺术创作中表出来的一种综合性的总体特点，是艺术家的创作个性与艺术作品的语言、情景交互作用所呈现出的对于艺术家本身来说相对稳定的整体性艺术特色。一个艺术家由于个人的世界观、价值观、文化教养、生活经历、审美趣味等的不同，在其作品中会逐渐呈现出与众不同的特色，即不可重复的风格。例如，著名艺术家毕加索的画作中有着独具特色的立体主义风格，文艺复兴三杰之一的达·芬奇的绘画作品中体现出细腻的写实主义风格，抽象艺术的先驱瓦西里·康定斯基以其抽象风格闻名于世。然而，艺术家的作品数量有限，创造的作品不会无限增加。因此，为了使艺术家的个人风格可以延续，将经典的艺术风格在现代作品中重现，对艺术作品风格的提取与再结合的研究有着重要意义。

深度学习（又称深度结构学习或层级学习）的概念源于对人工神经网络的研究。深度学习通过组合低层特征形成更加抽象的高层特征表用来示属性类别或特征，以发现数据的分布式特征表示。深度学习结构，例如深度置信网络、循环神经网络和卷积神经网络被广泛应用于计算机视觉、语音识别、自然语言处理、社交网络过滤和机器翻译等领域，能够得到媲美甚至超越人类专家的效果。

2. 研究的基本内容与方案

2.1 研究内容

本设计主要是利用卷积神经网络算法，结合网络编程和服务器部署技术，在服务器端训练风格模板供用户使用，实现在线实时图像风格迁移和线稿自动上色功能。同时，提供风格模板创建服务,用户可选择在线完成或本地训练自己的风格模型。另外，设计简洁精美的网站页面，建立完善的服务器后台，实现用户信息和风格模板管理。研究内容主要包括：

（1）核心风格转换神经网络模型的设计和实现

3. 研究计划与安排

（1）2019/1/19—2019/2/28：查阅有关参考资料并完成开题报告；翻译英文资料（不少于5000汉字），并交予指导教师检查。

（2）2019/3/1—2019/4/30：熟悉所选用的开发平台，运用所学的软件设计理论，完成整个系统的前期设计工作。

（3）2019/5/1—2019/5/25：进行系统的编码、调试、集成、测试工作。

4. 参考文献（12篇以上）

[1] Gatys L A, Ecker A S,Bethge M. Image style transfer using convolutional neuralnetworks[C]//Proceedings of the IEEE Conference on Computer Vision and PatternRecognition. 2016: 2414-2423.
[2] Johnson J., Alahi A.,Fei-Fei Li. (2016) Perceptual Losses for Real-Time Style Transfer and Super-Resolution.In: Leibe B., Matas J., Sebe N., Welling M. (eds) Computer Vision – ECCV 2016.ECCV 2016. Lecture Notes in Computer Science, vol 9906. Springer, Cham
[3] Gatys L A , Ecker A S ,Bethge M . A Neural Algorithm of Artistic Style[J]. Computer Science, 2015.
[4] Gatys L A , Ecker A S ,Bethge M . Texture synthesis using convolutional neural networks[C]//International Conference on Neural Information Processing Systems. MIT Press,2015.
[5] Ulyanov D , Lebedev V , VedaldiA , et al. Texture Networks: Feed-forward Synthesis of Textures and StylizedImages[J]. 2016.
[6] Dumoulin V , Shlens J , KudlurM . A Learned Representation For Artistic Style[J]. 2016.
[7] Huang X , Belongie S .Arbitrary Style Transfer in Real-Time with Adaptive Instance Normalization[C]//2017 IEEE International Conference on Computer Vision (ICCV). IEEE ComputerSociety, 2017.
[8] Gatys L A , Ecker A S , BethgeM , et al. Controlling Perceptual Factors in Neural Style Transfer[J]. 2016.
[9] Luan F , Paris S , Shechtman E, et al. Deep Photo Style Transfer[J]. 2017.
[10] Risser E , Wilmot P , Barnes C. Stable and Controllable Neural Texture Synthesis and Style Transfer UsingHistogram Losses[J]. 2017.
[11] Zhu J Y , Park T , Isola P , etal. Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks[J].2017.
[12] Jing Y , Yang Y , Feng Z , etal. Neural Style Transfer: A Review[J]. 2017.
[13] 马骁. 基于深度卷积神经网络的图像语义分割[D].中国科学院大学(中国科学院光电技术研究所),2018.
[14] 许哲豪, 陈玮. 基于生成对抗网络的图片风格迁移[J]. 软件导刊, 2018, v.17；No.188(06):211-213 216 232.
[15] 邓盈盈, 唐帆, 董未名. 图像艺术风格化的研究现状[J]. 南京信息工程大学学报(自然科学版), 2017(06):31-36.