1. 毕业设计（论文）的内容和要求
本课题要求实现一个基于深度学习的图像风格迁移Android应用。
本课题要求在详细调研用户需求的基础上，开发出系统功能接近于实用的软件平台，尽量做到界面友好，功能齐备，数据真实。
有余力的基础上可以尝试实现一些较为复杂的功能。
2. 参考文献
[1] 钱小燕, 肖亮, 吴慧中. 快速风格迁移[J]. Computer Engineering, 2006(24):1000-3428[2] 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, 44(5):775-792[3] 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, 43(3):321-332.[4] 陈淑環, 韦玉科, 徐乐, 等. 基于深度学习的图像风格迁移研究综述[J]. 计算机应用研究, 2019, 36(8):2250－2255．[5]丁晓龙. 基于深度学习的图像风格迁移技术的前沿进展[J]. 电子制作, 2018(18):86-87 93[6] 操江峰. 基于深度学习的图像与视频风格化研究与实现[D]. 北京: 中国科学院大学, 2017[7] 周飞燕, 金林鹏, 董军. 卷积神经网络研究综述[J]. 计算机学报, 2017(06):1229-1251.[8]许哲豪, 陈玮. 基于生成对抗网络的图片风格迁移[J]. 软件导刊, 2018, 17(06):207-209 212 228.[9] 曹仰杰, 贾丽丽, 陈永霞, 等. 生成式对抗网络及其计算机视觉应用研究综述[J]. 中国图象图形学报, 2018, 23(10):1433-1449.[10] 谢志峰, 叶冠桦, 闫淑萁, 等. 基于生成对抗网络的 HDR 图像风格迁移技术[J]. 上海大学学报 (自然科学版), 2018, 24(04):524-534.[11] 窦亚玲, 周武彬, 季人煌. 基于卷积神经网络的图像风格迁移技术[J]. 现代计算机(专业版), 2018(30):47-51 60.[12] 周飞燕, 金林鹏, 董军. 卷积神经网络研究综述[J]. 计算机学报, 2017(06):1229-1251.[13] Johnson J, Alahi A, Fei-Fei L. Perceptual losses for realtime style transfer and superresolution[C]. ECCV: European Conference on Computer Vision, 2016:694－711[14] Gatys L A, Ecker A S, Bethge M. Texture and art with deep neural networks[J]. Current Opinion in Neurobiology, 2017, 46:178－186.[15] Leon G, Alexander E, Matthias B. A neural algorithm of artistic style[R]. Arxiv preprint Arxiv:1508.06576, 2015b.[16] Zhu J Y, Park T, Isola P, et al. Unpaired Image-to-image translation using cycle-consistent adversarial networks[C]. Proceedings of the IEEE International Conference on Computer Vision. New York: IEEE Computer Society, 2017:2242-2251.[17] Gatys L A, Ecker A S, Bethge M. Image style transfer using convolutional neural networks[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE Communication Society, 2016:2414-2423.
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。
