基于深度学习框架的京剧脸谱智能生成研究
Intelligent generation of Peking opera facial masks with deep learning frameworks
Ming Gao Yan, Rui Xiong, Yinghua Shen, Cong Jin, Yan Wang
Heritage Science · 2023-01-30
开放获取戏曲与曲艺被引 47学科公认顶刊影响因子 ≈12.1
摘要
传统京剧脸谱的制作通常依赖经验丰富画师的手工绘制，这一现状制约了这项非物质文化遗产的传承与发展。当前相关研究主要集中于现有京剧脸谱的数字化复原与存储，而高质量脸谱生成技术仍处于起步阶段。本文对多种深度学习框架进行了改进，以学习京剧脸谱的特征并实现新脸谱的生成，从而有效推动京剧脸谱的创意应用。首先，借助不同的数据增强方法，改进后的StyleGAN2模型能够学习京剧脸谱的隐性与显性特征，并自动生成新的脸谱。此外，本研究采用一种弱监督下的跨域联合通信图像转换框架，将人脸素描与色彩参考图映射到中间特征域，再通过图像生成网络合成新的脸谱。实验结果表明，所生成的京剧脸谱具备良好的局部随机性以及优异的视觉质量。
本摘要由 AI（Hy-MT2-Pro）翻译生成，仅供参考，请以原文为准。
AI 综述
基于摘要生成- 主要观点
- 传统京剧脸谱依赖手工绘制，制约了该非遗文化的传承与发展。当前研究多侧重于现有脸谱的数字化存储，高质量生成技术尚处起步阶段。本文提出通过改进深度学习框架来学习脸谱特征并生成新脸谱，从而推动其创造性应用。
- 研究方法
- 采用数据增强方法改进StyleGAN2模型，使其学习脸谱的隐式与显式特征并自动生成新脸谱。引入弱监督下联合跨域通信的图像转换框架，将面部草图与颜色参考图映射至中间特征域。最终通过图像生成网络完成新脸谱的合成。
- 学术贡献
- 突破了当前京剧脸谱研究局限于数字化重建与存储的瓶颈，推进了高质量脸谱生成技术的发展。实验证明所生成脸谱兼具良好的局部随机性与优异的视觉质量，为该非物质文化遗产的传承与创造性应用提供了技术支持。
- 存在局限
- 材料中未明确提及
- 进一步研究方向
- 材料中未明确提及
本综述由 AI（GLM-5-Turbo）基于摘要自动生成，仅供参考，不代表原文作者观点，请以原文为准。
参考文献
相关论文
话题：Generative Adversarial Networks and Image Synthesis