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。