1. 研究目的与意义
背景：
生成对抗网络（Generative AdversarialNetworks, 简称GANs）是利用卷积神经网络等深度学习方法进行生成性建模的一种方法。生成式建模是机器学习中的一项无监督学习任务，它涉及到自动发现和学习输入数据中的规则或模式，从而使得该模型可以用于生成一些和原始数据集相似的新样例。
生成对抗网络是一种很巧妙的训练生成模型的方法，它将问题构建为一个包含两个子模型的监督学习问题。两个子模型分别为：生成器模型，鉴别器模型。生成器生成假实例，鉴别器鉴别生成器生成的实例，作分类任务分出真假。每一次迭代，两个子模型都会不断优化自己的能力。生成器不断的生成以假乱真的实例以欺骗鉴别器，而鉴别器也不断的从真实实例中跟生成器生成的假实例做对比，提高自己的鉴别能力。两个模型的训练相当于在一场零和博弈，直到达到纳什均衡，这时候鉴别器只能鉴别出假实例的一半，这也意味着生成器正在生成可以以假乱真的例子。
2. 研究内容与预期目标
研究内容：
以往的风格迁移算法也许可以胜任图像风格快速迁移这项任务，但是会出现原图扭曲，内容细节丢失的问题。结果看起来也许还不错，但是和原图已经相差甚远了。所以为了解决这些问题，本文选择了更好的方法进行风格迁移。
3. 研究方法与步骤
研究方法：
开发代码的条件并不算高，一般的笔记本就能胜任。以上模型和训练流程均由python语言编写，代码编辑器用了pycharm和jupyternotebook。网络模型利用python的tensorflow和keras框架进行搭建。
训练条件是实验的难点。训练深度学习模型，往往需要很高的运算资源，和很长的训练时间。运算资源指的是高性能的GPU资源，和大内存的电脑，没有这些资源，完成这个实验几乎是不可能的，可能要训练几个月才结束。为了尽可能快的完成这个实验，寻寻觅觅了很多方法。权衡经济和效率，最后选择了在淘宝上租用卖家的深度学习主机，远程操控。虽然价格还是很昂贵，但是对比租用阿里云，淘宝的还是便宜太多，只需50元一天。而且卖家的主机已经配置好了环境，就算中途出现什么配置的小问题，可以和卖家技术员讨论解决。
4. 参考文献
[1]Javier Portilla, Eero P. Simoncelli. A Parametric Texture Model Based onJoint Statistics of Complex Wavelet Coefficients[J]. International Journal ofComputer Vision, 2000, Vol.40 (1) : 49-70.
[2]L. A. Gatys, A. S. Ecker, M. Bethge. Texture synthesis usingconvolutional neural networks[J]. International Conference on NeuralInformation Processing Systems. MIT Press, 2015 : 262-270.
[3]L. A. Gatys, A. S. Ecker, and M. Bethge. A Neural Algorithm of ArtisticStyle[J]. Computer Science, 2015.
5. 工作计划
(1)2022.2.21----2022.3.1查阅资料，撰写开题报告
(2)2022.3.2----2022.3.15需求分析，熟悉开发工具
(3)2022.3.16----2022.4.1概要设计
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
