DLP-GAN: Learning to Draw Modern Chinese Landscape Photos with Generative Adversarial Network

中国山水画具有独特的艺术风格，其绘画技巧在色彩运用和物象的真实表现上高度抽象。以往的方法主要关注从现代照片到古代水墨画的转换，但很少有人注意到将山水画转换为现代照片。为了解决这些问题，本文提出了DLP-GAN（使用新型不对称循环映射的无监督跨域图像翻译框架，可绘制现代中国山水照片），并引入了基于密集融合模块的生成器来匹配不同的翻译方向。此外，还提出了双重一致性损失来平衡模型绘画的真实性和抽象性。通过这种方式，我们的模型可以以现代的方式绘制山水照片和素描。最后，基于我们的现代山水和素描数据集，我们将我们模型生成的图像与其他基准进行了比较。包括用户研究在内的广泛实验表明，我们的模型优于现有的最先进方法。

本论文旨在解决将中国传统山水画转化为现代照片的问题，提出了一个基于生成对抗网络的无监督跨域图像转换框架，并引入了一种新的不对称循环映射方法和一种基于稠密融合模块的生成器，以匹配不同的转换方向。

本论文提出的DLP-GAN框架采用了新的不对称循环映射方法和基于稠密融合模块的生成器，同时引入了双一致性损失来平衡模型绘画的真实性和抽象性，从而实现了将传统山水画转化为现代照片的目标。

本论文的亮点包括：1. 提出了新的不对称循环映射方法和基于稠密融合模块的生成器；2. 引入了双一致性损失来平衡模型绘画的真实性和抽象性；3. 在现代山水照片和素描数据集上进行了广泛的实验和用户研究，证明了该模型的优越性；4. 提供了开源代码。

在这个领域中，最近的相关研究包括：1. CycleGAN: Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks；2. StarGAN: Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation；3. MUNIT: Multimodal Unsupervised Image-to-Image Translation。