1.1 研究目的及意义

图像风格转换是最近新兴起的一种基于深度学习的技术，它的出现一方面是占了卷积神经网络的天时，卷积神经网络所带来的对图像特征的高层特征的抽取使得风格和内容的分离成为了可能。另一方面则可能是作者的灵感，内容的表示是卷积神经网络所擅长，但风格却不是。

近年来，监督与卷积网络学习（CNN）已经看到了巨大的采用计算机视觉应用。相比之下，CNNs的无监督学习较少。

无监督特征学习是计算机视觉研究中的一个很好的研究课题，也是图像研究中的一个热点问题。无监督特征学习的一种经典方法是对数据进行聚类（例如使用k-means），并利用集群来提高分类分数。在图像的背景下，一个可以做分层的图像块聚类（Coates amp; Ng，2012）学习强大的图像表示。另一种流行的方法是训练自动编码器（卷积，堆叠（文森特et al.，2010），分离内容和地点的组件的代码（Zhao et al.，2015），梯形结构（Rasmus et al.，2015）），一个图像编码成一个紧凑的编码，解码的代码重建图像尽可能准确。这些方法也被证明能从图像像素中学习良好的特征表示。深层信念网络（Lee et al., 2009）也被证明在学习分层表示方面很有效。

生成对抗网络是2014年Goodfellow Ian在论文Generative Adversarial Nets中提出来的。近些年来，生成对抗网络在许多图像生成和图像编辑任务上都获得了很大的成功，并受到越来越多的关注。本次论文就是研究如何将生成对抗网络应用在图像风格转换问题上。

1.2 研究现状

风格转换属于纹理转换问题，纹理转换问题在之前采用的是一些非参方法，通过一些专有的固定的方法来渲染。传统的方法的问题在于只能提取底层特征而非高层抽象特征。随着CNN的日渐成熟，终于，这个领域被渗透了进来，CNN在风格转换问题上的应用也逐渐成熟。

近几年，出现一个新的神经网络模型：生成对抗网络（GAN），旨于在无监督学习下训练模型，主要应用于图像领域。

生成对抗网络包括了两套独立的网络，两者之间作为互相对抗的目标。第一套网络是我们需要训练的判别器，用来分辨是否是真实数据还是虚假数据；第二套网络是生成器，生成类似于真实样本的随机样本，并将其作为假样本。