1. 毕业设计（论文）的内容和要求
随着国漫和视频行业的崛起，我国的漫画行业也迎来了又一个春天，但是很多漫画依旧是以黑白色调呈现。
主要是由于上色是一个重复而且耗费大量人力资源的工作，这样会导致漫画的观感不佳，给读者带来不好的阅读体验。
针对这一问题，如果采用深度学习的方法对这一过程进行优化，那么将会使漫画丰富多彩起来，并且节省大量人力资源，吸引更多的读者。
2. 参考文献
[1] 梁培俊, 刘怡俊. 基于条件生成对抗网络的漫画手绘图上色方法[J]. 计算机应用研究, 2019, 第36卷(1):308-311.[2] 王坤峰, 苟超, 段艳杰等. 生成式对抗网络GAN的研究进展与展望[J]. 自动化学报, 2017, 第43卷(3):321-332.[3] 林懿伦, 戴星原, 李力等. 人工智能研究的新前线:生成式对抗网络[J]. 自动化学报, 2018, 第44卷(5):775-792.[4] 刘玉杰, 窦长红, 赵其鲁等. 基于条件生成对抗网络的手绘图像检索[J]. 计算机辅助设计与图形学学报, 2017, 第29卷(12):2336-2342. [5] 张营营,. 生成对抗网络模型综述[J]. 电子设计工程, 2018, 第26卷(5):34-37，43. [6] 赵增顺, 高寒旭, 孙骞等. 生成对抗网络理论框架、衍生模型与应用最新进展[J]. 小型微型计算机系统, 2018, 第39卷(12):2602-2606. [7] 蔡雨婷, 陈昭炯, 叶东毅. 基于双层级联GAN的草图到真实感图像的异质转换[J]. 模式识别与人工智能, 2018, 第31卷(10):877-886. [8] 邢恩旭, 吴小勇, 李雅娴. 基于迁移学习的双层生成式对抗网络[J]. 计算机工程与应用, 2019, 第55卷(15):38-46，103. [9] 梁毓明, 张路遥, 卢明建等. 基于条件生成对抗网络的图像去雾算法[J]. 光子学报, 2019, 第48卷(5):120-128. [10] 叶武剑, 高海健, 翁韶伟等. 基于CGAN网络的二阶段式艺术字体渲染方法[J]. 广东工业大学学报, 2019, (3):47-55. [11] Ian J. Goodfellow;Jean Pouget-Abadie;Mehdi Mirza;Bing Xu;David Warde-Farley;Sherjil Ozair;Aaron Courville;Yoshua Bengio. "Generative Adversarial Networks." STATISTICS (2014)[12] Xiang, Peng;Wang, Lei;Cheng, Jun;Zhang, Bin;Wu, Otsuka Y;Hori M;Tachibana Y;Yokoyama K;Fujita S;Andica C;Kamagata K;Irie R;Koshino S;Maekawa T;Chougar L;Wada A;Takemura MY;Hattori N;Aoki S. Improving the Quality of Synthetic FLAIR Images with Deep Learning Using a Conditional Generative Adversarial Network for Pixel-by-Pixel Image Translation.[J]. AJNR. American Journal Of Neuroradiology, 2019, Vol.40(2):224-230. [14] Lucy Li;Vinson Luo;Michael Straka. CycleGANS for Historical Image Colorization[J]. CS231n: Convolutional Neural Networks for Visual Recognition Project Reports, 2017。
[15] Liu, Yifan;Qin, Zengchang;Wan. Auto-painter: Cartoon image generation from sketch by using conditional Wasserstein generative adversarial networks[J]. NEUROCOMPUTING, 2018, Vol.311(0):78-87.
以上是毕业论文任务书，课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
