摘要
青花瓷作为华夏文明的载体，承载着传承和弘扬传统文化的使命。陶瓷工匠将自然风光与动植物等绘制在瓶、盘等瓷器上生成青花花纸纹饰，经高温烧制后形成浓淡深浅的水墨画风格。在深度学习领域，风格迁移技术的发展和应用逐渐趋于成熟。计算机基于像素点矩阵对抽象的图像风格进行处理，无法像人眼一样准确分辨不同风格类型的图像，因此提取风格特征以解决上述问题成为重点研究方向。新一代人工智能技术应用于传统的陶瓷领域，通过深度学习，提取青花花纸的风格图像的特征，将风景图像的内容以青花花纸风格表现出来，既满足了当代人对艺术的多元化追求，又推动了陶瓷艺术和文化的发展。 本文研究比较了CycleGAN、GANILLA和改进的SE-GANILLA三种模型进行青花花纸的风格迁移，由于CycleGAN并不能对生成的青花花纸风格图像的内容和风格区分开。因此，本文先使用GANILLA网络进行实验，该网络在下采样时使用跳跃连接和上采样进行低级特征和高级特征融合，目的是使迁移后的图像风格和内容达到平衡，之后在使用改进的SE-GANILLA网络进行对比实验，在原始GANILLA的Residualblocks上根据计算机视觉的channel-attention机制理论加入SEblock提高对风格的提取，达到抽象风格和色调风格的提取效果，最后在生成网络加入Ghostmodule来提高整体性能。 基于SE-GANILLA模型的青花花纸风格迁移，实验证明了在5-10epochs，池化方法Max-pool，目标优化算法用Adam时，测试集生成图像的PSNR值为19.5967，SSIM值为0.7838，此时青花花纸风格迁移的“抽象”效果最好，在10-15epochs时，测试集生成图像的PSNR值为20.9816，SSIM值为0.8148，此时青花花纸风格迁移的“色调”效果最好；而原始GANILLA模型在5-10epochs时，PSNR值为20.1192，SSIM值为0.8161，但是其抽象上的主观艺术效果却较失真，在10-15epochs时，PSNR值为20.5047，SSIM值为0.8169，在色调效果上，SE-GANILLA对于原图的细节还原效果更好。 本文选择人为收集青花花纸图像训练风格特征，实验发现CycleGAN模型每次训练时长大约3600s-3900s，且结果不太理想；GANILLA模型每次训练时长大约为1800s-2700s，达到了青花花纸风格迁移的基本要求，而SE-GANILLA模型平均每1epoch训练时长大约为1700s-2500s，且在原有青花花纸风格迁移的基础上，根据训练程度还能将生成图案分为偏“抽象”风格和偏“色调”风格，生成图案更具有多样性和实用性。基于上述研究分析，进行陶瓷纹饰产品的生成，用户可以根据自身的风景图案，来进行青花花纸风格迁移，得到图案装饰个性化的陶瓷产品。
NETL