使用神经网络对图像进行卡通化
Cartoonizer项目允许用户生成其高质量图像的卡通化表示。
在咨询了许多卡通艺术家并观察了卡通绘画行为之后，该研究项目由王新瑞和于进泽提出，以从图像中分别识别出三种白盒表现形式：
表面表示：它包含卡通图像的光滑表面。
结构表示：是指赛璐style风格的工作流程中稀疏的色块和平坦的全局内容。
纹理表示：它可以反映卡通图像中的高频纹理，轮廓和细节。
为了在输入图像上获得卡通效果，如下所示GAN（生成对抗网络）框架用于学习提取的表示并将图像卡通化。
代码可用于使用此研究项目来实现图像的卡通化。
一些结果输出：
怎么运行的：
如下图所示，将图像分解为表面表示，结构表示和纹理表示，并引入了三个独立的模块来提取相应的表示。
提出了一种具有生成器G和两个鉴别符Ds和Dt的GAN框架，其中Ds旨在区分从模型输出和卡通中提取的表面表示，而Dt用于区分从输出和卡通中提取的纹理表示。
预训练的VGG网络用于提取高级特征，并对提取的结构表示和输出之间以及输入照片和输出之间的全局内容施加空间约束。损失函数中可以调整每个组件的权重，这使用户可以控制输出样式并使模型适应各种使用情况。
建议的图像卡通化系统：
演示：
该视频显示了如何使用神经网络在东京市的视频上制作卡通动画滤镜。
完整的研究论文可在此处获得：
https://systemerrorwang.github.io/White-box-Cartoonization/paper/06791.pdf
是否想尝试此代码？立即使用以下代码实施：
https://github.com/SystemErrorWang/White-box-Cartoonization
▊《图神经网络：基础与前沿》
马腾飞 编著
梳理图神经网络（GNN）领域的经典模型
帮助读者构建图神经网络知识体系
厘清重要模型的设计思路和技术细节
展现图神经网络的研究进展
图神经网络在推荐系统、生物医疗、自然语言处理等不同场景的实践
图神经网络是人工智能领域的一个新兴方向，它不仅迅速得到了学术界的广泛关注，而且被成功地应用在工业界的多个领域。
本书介绍了图神经网络和图深度学习的基础知识和前沿研究，不仅包括它们的发展历史和经典模型，还包括图神经网络在深层网络、无监督学习、大规模训练、知识图谱推理等方面的前沿研究，以及它们在不同领域（如推荐系统、生化医疗、自然语言处理等）的实际应用。
本书既可作为人工智能领域研究和开发人员的技术参考书，也可作为对图上的深度学习感兴趣的高年级本科生和研究生的入门书。
（扫码了解本书详情）
如果喜欢本文 欢迎 在看丨留言丨分享至朋友圈 三连 热文推荐
▼点击阅读原文，获取本书详情~