Style Transfer in Anime Art with Enhanced Residual U-Net and ACGAN

网络结构设计与分析

本研究中所采用的生成对抗网络架构为:

生成网络的输入包括待进行风格转换的图像input及对应的风格特征信息。通过采用VGG16或VGG19模型中的fc1层，对风格图像进行特征提取，所获得的风格特征表现为一个4096维的向量形式。

生成网络结构和目标函数

实验结果表明，当u-net模型能够借助底层网络结构完成特征提取任务时，高层网络将不再参与学习过程。如图4所示，u-net的输入与输出均为相同图像，实现了图像复制的功能。由于输入与输出保持一致，相应的损失函数会立即归零。这是由于编码器的第一层发现可以通过跳跃连接机制，直接将所有特征信息传递至解码器的最后一层，从而有效降低损失函数的值。因此，在多次训练过程中，中间层网络无法获得任何梯度信息，这意味着中间层在网络运行中已失去其作用。

针对U-Net的解码器部分，其特征信息可