基于CycleGAN的艺术风格迁移

我们使用了循环一致性生成对抗网络（ CycleConsistent Generative Adversarial Networks, CycleGAN）实现了将绘画中的艺术风格迁移到摄影照片中的效果。这种方法从图像数据集中学习整体风格，进行风格转换时只要将目标图片输入网络一次，不需要迭代的过程，因此速度较快。我们使用了一些自己制作的数据集训练了 CycleGAN 风格迁移模型，并分析了这种方法的优点和局限性。为了使风格转换后的图片保留原来的色彩分布，我们实现并分析对比了多种颜色匹配的方法。我们还利用了 Mask R-CNN 模型生成的掩膜图像来做图像运算而实现了局部风格转换和混合风格转换等效果。