CycleGAN-SN：结合谱归一化和CycleGAN的图像风格化算法

为解决CycleGAN算法图像风格化质量不高、网络稳定性不强的问题,提出了CycleGANSN算法。在CycleGAN算法判别网络的每一个卷积层后添加谱归一化层,通过幂迭代法估算卷积层参数矩阵的谱范数,采用随机梯度下降法更新卷积层参数。由于参数在每一次更新中的变化量很小,只需迭代一次即可快速估算出矩阵的最大奇异值。根据得到的最大奇异值,对卷积层参数进行归一化处理,使得整个判别网络满足1-Lipschitz连续。在4个常用风格图像数据集上进行实验,并与CycleGAN算法进行对比,结果表明:所提算法能够在保留原有图像细节的基础上,生成色彩鲜艳、纹理清晰、风格渲染充分的风格化图像;在训练过程中的损失函数振荡幅度小,能够使用更大的学习率进行训练,稳定性较强;能够有效减少网络收敛所需的步数,收敛速度较快;在测试阶段一次性风格化751幅图像时,时间最多仅增加0.63s,几乎没有额外的时间消耗。