一、文献综述
（一）国内外研究现状
查阅若干资料之后，对于卡通风格宠物头像生成系统的国内外研究现状[1]，有了简单的了解。首先，首先不得不说的图像迁移。
2015年之前，有几种传统的图像迁移方法，比如油画风格迁移、通过纹理生成图像、对物理过程建模。油画风格迁移是一种基于笔触的方法，通过不同大小的笔触按一定规则来实现油画风格化[2]。纹理生成图像[3]，当时，所有关于图像纹理的算法，都是通过手动建模产生的，其核心思想是“纹理可用图像的局部特征的统计模型来表示”，将图像划分成若干版本分别计算出典型的特征，通过图像中提取出来的典型的笔触来合成新的图像。通过对物理过程建模，例如毛笔书[4]、水墨画[5]等，一些学者通过对绘画过程进行建模等。然而，这些图像风格迁移的方法并没有吸引人的地方，这几种方法之间的共同点不多，没办法归纳成一个合理有效的风格迁移方法，所以，在当时，这些图像风格迁移的算法并没有什么亮点。
2012年开始，深度学习兴起了，学者们发现深度学习在物体识别上非常高效，卷积神经网络是比较出名的一种多层神经网络，擅长处理图像相关的问题，VGG19[6]是卷积神经网络中一个比较出名的物体识别网络，每一层网络都会利用前面一层来提取更加复杂的特征，直到能够识别物体为止，可以把VGG19的每一层看做是局部特征提取的工具，而Gram矩阵可以度量各个维度自己的特性以及各个维度之间的关系，可以表示图像的大致风格，于是，Gatys 利用了VGG19和Gramian 矩阵，实现了第一个基于深度学习的图像风格迁移算法[7]。Gatys发表了几篇论文[8]，利用卷积神经网络将图像的风格和内容分离，从而实现了不同图像的内容与风格重新生成一张新的图像。低层的响应，可以当作是图像的风格，而高层的响应，可以表示图像的内容（特征），将风格和内容分别提取出来，然后通过图像重构，糅合在一起，从而实现了图像风格迁移。可以说这是图像风格迁移的开山之作，它给后来的学者提供了一个非常好的基础。虽然由Gatys提出的算法已经能实现通用的图像风格迁移，但是这个算法依旧存在一些缺陷，它的效率十分的低，于是，就有人提出了改进，用感知损失代替了像素损失[9]，并且用一个预训练过的VGG模型简化感知损失的计算，同时新加了一个转换网络进去，大大提高了训练的速度。紧接着Li等人，把生成式对抗网络[10]引入了训练之中[11]，更是提高了风格迁移的效率。再后来，Jun-Yan Zhu等人提出了一种非成对图像对之中训练的方法[12]。然而，图像风格迁移依旧再存在一些问题，例如对人体头像的风格迁移，如果对空间没有一个很好的约束，获得的人像会扭曲。所以，在Gatys的基础上，后来有一大批学者进行了改进，从固定风格固定内容的普通风格迁移[7]，到固定风格任意内容的快速风格迁移[13]，到任意风格任意内容的极速风格迁移[14]发展十分迅速。
尽管基于深度学习的风格迁移已经获得了很大的成功，但是却无法做出一个能让人接受的高质量的卡通风格迁移。卡通风格[15]与其他艺术风格有一个很大的不同，它边缘比较清晰，内容相对简单，不是添加纹理就可以直接完成风格迁移的，于是就有研究人员提出了，一个基于GAN的全新照片卡通化的方法CartoonGAN[16]，卡通风格化专用生成式对抗网络。
（二）研究主要成果
《A Neural Algorithm of Artistic Style》中提出了通过卷积神经网络分离图像的风格和内容，然后通过重构重新绘制出一张新的图像，利用VGG19[6]物体识别的功能，来提取图像的多个局部特征，然后 Gramian矩阵计算不同局部特征的相关性从而生成纹理，也就是我们所说的风格。这是第一个基于深度学习的图像风格迁移的算法，是一种单一内容，单一风格的风格迁移方法。紧接GAN[9]（生成式对抗网络）的引入，大大提高了图像风格迁移的效率和最后合成图像的品质，GAN是一种深度学习模型，是近年来无监督学习中最具有前景的方法之一，它有两个模块，生成模型和判别模型，通过这两个模块博弈学习产生一个相当好的输出，引入了GAN之后，图像风格迁移再次上升了一个高度。然后针对卡通风格，出现了名为CartoonGAN 的用于卡通风格化的专用的生成式对抗网络，能够得到高质量的风格化图像。
（三）发展趋势
以上是毕业论文文献综述，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。
