全文总字数：3685字
1. 研究目的与意义（文献综述）
现如今，随着互联网的发展，大数据时代的来临，人工智能领域得到了前所未有的发展机遇，越来越多的工作人员投入到人工智能的研究当中，与此同时，人工智能技术为人们的生活也带来了更多的便利，社会人员对其关注度得到了空前的提升，而在人工智能领域中最热门的莫属于深度学习了。
图像风格迁移是近年来图像领域的研究热点之一，通过利用风格迁移，可以让人们不再需要高超的绘画功底，也不用使用复杂的photoshop修图便能把图片效果表现的更加完美，更加符合预期。在神经网络使用之前，图像风格迁移程序的共同思路是：通过分析某一类风格的图像，为其建立一个数学或统计模型，再通过改变要做迁移的图像，使其能够更好的符合所建立的风格模型，从而实现风格迁移。而这样的作法有一个很大的缺点：一个程序只能做某一个风格的迁移，而再要新的风格需要重新建立模型与程序。这样的现状在gatys等人[1-3]提出的论文之后改变了。他们首次提出利用深度学习卷积神经网络（convolutional neural networks, cnn）并使用vgg模型完成图像风格迁移，这使得程序能够模仿任意一张图片生成图像成为可能，并且效果十分出众。gatys等人[1-3]的研究成果受到众人的瞩目，与此同时，越来越多的研究人员在此基础上提出更多的基于深度学习神经网络的图像风格迁移方法。johnson[4]就是其中之一，他等人在gatys研究[1-3]的基础上，提出了快速神经风格迁移的方法。快速神经风格迁移在原有网络的基础上又添加了一个风格迁移网络，使得风格迁移时的训练能够得到网络权重参数的保留，从而让同一风格的图像转换通过该训练后得到的风格迁移网络生成图像，达到快速风格迁移的目的，其在速度方面对原始gatys提出[1-3]的网络有着两个数量级上的提升。除此之外，由2014年goodfellow提出[5]的生成对抗网络(generative adversarial nets, gan)发展迅速，越来越多的人提出更多种类的生成对抗网络，其中由zhu提出[6]的无监督风格转换框架cyclegan采用两组生成器与判别器，并引入循环一致性理论，其对于图像风格转换领域，使得生成的图片更加贴近与真实的图片。
本次设计目的是针对图像风格迁移技术的发展与进步，进行实际程序应用的制作与实现并作出用户端呈现。
2. 研究的基本内容与方案
此次研究主要针对深度学习技术在图像风格迁移方面的应用。通过对机器学习，深度学习等方面具体知识的学习，掌握深度学习的理论与原理，对卷积神经网络，梯度下降算法有充分的理解，对生成对抗网络有一定的了解，并利用深度学习知识的掌握，图像相关知识的补充，对如今图像风格迁移算法进行了解与研究，并在此基础上对于不同的算法进行程序实现，然后通过程序的生成效果，对不同的算法进行适当的对比。
最终目标为做出图像风格迁移的实际应用，并通过网页的形式呈现出来，可供用户使用。由于一些算法的训练时间过长或图像生成速度过慢，不适用于网页用户使用，所以目前拟采用快速神经风格迁移算法作为网页程序的主要实现算法。
因为python语言对于人工智能以及深度学习领域契合度更高，对此方面的应用处于优势，所以本次设计拟采用python做主要开发语言。有关深度学习框架拟采用tensorflow2.0做主要框架，具体视情况采用tensorflow1.x版本或pytorch等其他框架。数据库拟采用mysql作为主要数据库。网页服务端拟采用django2.x版本或flask做web框架。前端主要基于bootstrap。开发工具为pycharm。系统开发平台拟采用windows，具体根据需要决定是否迁移到linux。
3. 研究计划与安排
（1）2020年1月13日—2020年2月18日：确定选题，查阅相关文献，进行外文翻译，撰写开题报告；
（2）2020年3月1日—2020年3月31日：对深度学习相关知识进行学习，有关图像风格迁移算法做出研究与学习，对tensforlow框架的使用进行学习；
（3）2020年4月1日—2020年4月30日：对图像风格迁移程序进行系统架构，程序设计与开发，系统测试与完善；
4. 参考文献（12篇以上）
[1] gatys l a, ecker a s, bethge m. a neural algorithm of artistic style[j]. computer science, 2015.
[2] gatys l a,ecker a s, bethge m. texture synthesis using convolutional neural networks[c]//advances in neural infor- mation processing systems. 2015:262-270.
[3] gatys l a, ecker a s, bethge m. image style transfer using convolutional neural networks[c]//ieee conference on com- puter vision and pattern recognition (cvpr). ieee computer society, 2016.
