1. 毕业设计（论文）的内容和要求
本文主要基于tensorflow来实现图像的风格迁移，目的是将用户所需要的图片内容转换成用户所喜爱的图片风格，从而获得不同的图片美感。通过对以上背景和国内外研究现状的讨论，我们了解到目前的图像风格转换算法训练的模型具有较强的性能，但仍然存在参数众多，特征值损失过多和计算成本高的缺点。
为了解决以上问题，本文基于盖茨等人的风格迁移算法，在保证转换效率的基础上，进一步改进损失函数，使得图片特征值的损失进一步减少，以此得到效果最好的风格转换图。其次接下来，在模型训练期间，样式传递和训练数据库参数也需要通过实验进行调整。最后，需要使用python语言在tensorflow的 框架下进行编码。
2. 实验内容和要求
本文首先介绍了卷积神经网络的基本知识，然后根据损失函数的定义，更改了对原始网络的使用方法。因为某个具体的图像是图像标准化生成的结果的主要根据，所以使用实例的规范化代替批次的规范化。其次，神经网络根据分辨率程度和较高级的描述来创造图像。这样网络可以先构建出大致的图像，之后再进行细节化的操作，一般会形成一个棋盘形状的网格。因此，为了避免这种情况并且生产高质量的图像，我们使用最近邻差法的方式来对图像进行一定程度的缩小或者放大，接着摒弃传统的反卷积方式而是利用卷积方式进行操作。我们对从不同层提取的不同特征图进行大量的研究。结果表明，从浅层网络中提取出来的特征更倾向于点线表面，而那些从深层提取出来的特征更倾向于总体纹理和样式。因此最适合本文用来提取图像特征的方法是使用不同层的权重比。最后通过使用tensorflow和vgg模型实现了两种图像风格迁移算法。
3. 参考文献
[1]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, v.17；no.188(06):211-213 216 232.
[2]缪永伟, 李高怡, 鲍陈, et al. 基于卷积神经网络的图像局部风格迁移[j]. 计算机科学, 2019(9).
[3]陈淑環, 韦玉科, 徐乐, et al. 基于深度学习的图像风格迁移研究综述[j]. 计算机应用研究, 2019(8).
4. 毕业设计（论文）计划
2022.11.15至2022.12.15查阅相关资料，完成进行需求分析和可行性分析，确定选题；2022.12.16至2022.1.10依据选题目标分析系统功能，设计功能模块，完成系统框架搭建；2022.1.11至2022.4.1完成系统设计，进行性能测试；2022.4.2至2022.4.30完成中期检查，完善系统不足之处，撰写毕业设计说明书(论文)初稿；2022.5.1至2022.5.15完善毕业设计说明书(论文)，提交毕业设计说明书(论文)答辩稿；2022.5.16至2022.5.20准备答辩ppt，参加答辩。
2022.5.21至2010.5.30依据答辩意见完善毕业设计说明书(论文)，提交终稿
