论文部分内容阅读
二维图像和视频的艺术化早已有人在研究,例如Johnson等人设计了一种转换网络,任意一张图像经过这个转换网络后就能得到艺术化的图像,甚至出现了类似功能的软件例如Prisma就是一款基于深度学习的图像艺术化的软件,而对3D模型的艺术化,目前只出现一些通过传统方法对3D模型进行非真实感绘制的风格化方法。而由于3D模型数据量庞大,结构复杂,专业性强,3D艺术灵感的创造又具有太大的偶然性,导致3D模型真实形状的艺术化研究难度太大,很少有人研究。针对以上问题,本文提出了对应的解决方案:1)本文提出了两种基于深度学习的3D模型特征提取方法,即基于卷积-自动编码机的3D模型特征提取方法和基于改进深度置信网络的3D模型特征提取方法,成功的提取出了实验样本的特征。2)本文基于演化策略训练演化函数矩阵,并随机演化模型,即3D模型的创造过程。对模型和演化函数矩阵的演化用到了1+λ演化策略,并使用多种变异算法对演化函数矩阵的演化过程进行实验对比,选取最适合的变异算法。在演化过程中加入交互式评价的机制,通过人机交互控制演化的大致方向,保证实验的顺利进行,加快收敛速度。3)本文针对3D模型的真实形状艺术化方法,提出了基于深度学习和演化策略的3D艺术创作研究。首先,通过深度学习的方法提取导入3D模型的特征,演化模型特征产生新的模型。然后,艺术设计学院学生对新模型进行交互式评价存为样本。接着,使用样本训练演化函数矩阵获取适应值近似评价模型。最后用近似评价模型模拟人工评价并朝着期望的方向演化模型,得到满意的模型。本文首先详细展开基于深度学习的3D模型特征提取方法的研究,实验结果证明,两种特征提取方法具有可靠性和鲁棒性。基于演化策略,使用演化矩阵函数矩阵提取人的喜好特征,实验结果证明该过程具有可行性。本文基于深度学习和交互式演化策略的方法,通过牺牲时间开销的方式,结合科学创造和艺术创作,验证了基于深度学习和演化策略的3D艺术创作研究的可行性。