随着硬件计算能力的提高,深度学习在图像识别、图像语义分割、图像风格化等诸多视觉多媒体计算领域都取得了重大的突破,逐渐成为人们讨论的热点话题。图像的艺术风格化作为视觉多媒体计算领域的一个重要的研究方向,自然也被越来越多的研究者所青睐,例如2016年迅速走红的手机应用Prisma就是该领域研究的成功之作。Prisma的算法原型就是深度学习在图像风格化领域的应用。深度学习作为一种参数化学习的算法,有着超越传统视觉计算方法的优越性与泛用性,但同时,作为一种新兴的算法,深度学习在图像风格化的应用还处于研究阶段,有很多细节的问题有待解决。论文对基于VGG-19的图像风格化算法进行研究,针对其存在的不足之处提出改进算法,并通过现有的深度学习框架实现了改进算法。论文主要研究了Gatys等人在图像风格化领域的基于卷积神经网络的算法,算法使用VGG-19的卷积层提取特征矩阵,并以此定义内容-风格损失函数,将损失函数带入神经网络,利用梯度下降算法来迭代优化生成的风格化图像。该算法在结合源图像风格与内容图像语义来生成风格化图像方面有着超越传统算法的生成效果,并且,该算法也具有比传统算法更优秀的泛用性。然而,在传输风格时,由于没有考虑人们在视觉感受方面的先验知识,于是存在前背景风格传输混乱的问题。对此,论文提出了采用级联图像语义分割网络模型的方式,来优化图像风格化网络模型生成图像的算法。相比于原有算法,论文算法有如下的改进与特点:1.论文提出的算法解决了原有的卷积神经网络算法存在的风格传输混乱的问题,使得算法生成的图像质量有了较为显著的提高。2.论文提出的算法将真实照片中的对象与艺术图片相结合,生成了一种较为新颖的风格化图像。3.论文提出的算法减少生成风格化图像所需迭代次数,可以更好更快的生成风格化图像。4.论文提出的算法可以自动进行语义的分割,解决了传统语义分割算法需要人工干预的问题。