买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：天津科技大学

摘要：本发明提供了一种基于图像创作的生成式对抗神经网络及卡通人脸图像生成方法，属于图像编辑和风格迁移领域。以深度学习为基础，结合现有的人脸卡通风格迁移方法搭建基于图像创作的生成式对抗神经网络，提供了一种快速生成高质量卡通人脸图像的方法。基于图像的创作过程将神经网络分为纹理、表面、局部纹理、内容和结构模块，解决了人脸卡通风格迁移时卡通化不明显、内容缺失、细节较少问题。本发明设计的生成式对抗神经网络生成的卡通人脸图像具有清晰的轮廓、更多的细节、笔触更加柔和、粗线条比较多、表面光滑，非边缘区域的颜色平滑并且具有稀疏的色块，整个图像看起来更加柔美，可以满足卡通行业和社交媒体领域的需求。

主权项：1.一种基于图像创作的生成式对抗神经网络，其特征在于，该网络是基于图像创作流程构建的，用于快速生成高质量的卡通人脸图像；该网络含有两个输入，分别为输入1和输入2，其中的前者为所输入的自然人脸图像，后者为所输入的卡通风格人脸图像；所述的网络是由生成模块、增强模块、卡通风格提取模块、真实人脸提取模块共同构成；所述的生成模块含有一个输入和一个输出，所述的一个输入为所述的输入1，所述的一个输出为输出G1，其为根据所述输入1生成的具有期望卡通风格特征包括纹理、表面、局部纹理特征等的图像G1；所述的增强模块含有两个输入和一个输出，所述的两个输入为所述的输入1和所述的输出G1，所述的一个输出为输出G2，其融合了所述增强模块两个输入的特征，将所述输出G1的卡通风格特征赋给所述的输入1，得到的是具有更为清晰的图像轮廓、更多细节、笔触更加柔和、粗线条较多、表面更光滑的卡通风格图像数据；所述的卡通风格提取模块含有两个输入和三个隐式输出，所述的两个输入为所述的输出G2和所述的输入2，该模块提取并对比分析其两个输入的纹理、表面、局部纹理特征，通过隐式输出不断优化调控所述生成模块的网络结构和性能参数；所述的真实人脸提取模块含有两个输入和两个隐式输出，所述的两个输入为所述的输出G2和所述的输入1，该模块通过提取并对比分析其两个输入的内容和结构特征，通过隐式输出不断优化调控所述生成模块的结构和性能参数；所述的生成模块由卷积层A、Leakyrelu激活函数层、卷积层A1、卷积层A2、卷积层A3、运算层1、卷积层A4、运算层2、卷积层A5、运算层3、卷积层A6、运算层4、双线形层1、运算层5、卷积层A7、双线形层2、运算层6、卷积层A8、压缩层依次串联构成；所述的运算层1、运算层2、运算层3、运算层4、运算层5、运算层6均含有两个输入和一个输出，所实现的功能是对其两个输入执行求和运算；所述运算层1的两个输入为所述卷积层A2、卷积层A3的输出，所述运算层2的两个输入为所述运算层1的输出和所述卷积层A4的输出，所述运算层3的两个输入为所述运算层2的输出和所述卷积层A5的输出，所述运算层4的两个输入为所述运算层3的输出和所述卷积层A6的输出，所述运算层5的两个输入为所述双线性层1的输出和所述卷积层A1的输出，所述运算层6的两个输入为所述双线性层2的输出和所述激活函数层的输出；所述的卷积层A1是由卷积层B、Leakyrelu激活函数层、卷积层C、Leakyrelu激活函数层依次串联构成；所述的卷积层A2是由卷积层D、Leakyrelu激活函数层、卷积层E、Leakyrelu激活函数层依次串联构成；所述的卷积层A3、卷积层A4、卷积层A5、卷积层A6均是由卷积层F、Leakyrelu激活函数层、卷积层F依次串联构成；所述的卷积层A7是由卷积层C、Leakyrelu激活函数层依次串联构成；所述的卷积层A8是由卷积层F、Leakyrelu激活函数层和卷积层G依次串联构成；所述的卷积层A1、卷积层A2、卷积层A3、卷积层A4、卷积层A5、卷积层A6、卷积层A7、卷积层A8的作用是对其输入进行特征提取，获得图像的深层次特征信息；所述的卷积层A、卷积层B、卷积层C、卷积层D、卷积层E、卷积层F、卷积层G的功能是对其输入进行特征提取；所述的Leakyrelu激活函数层的作用是将其输入张量小于零的数据调整为原来的0.2倍；所述的双线性层1是由卷积层C、Leakyrelu激活函数层、线形层1依次串联构成，所述的线形层1用于对其输入进行尺寸调整；所述的双线性层2是由卷积层F、Leakyrelu激活函数层、形性层1依次串联构成；所述的双线性层1、双线性层2的功能相同，均是对其输入的张量进行特征提取和尺寸变化；所述的压缩层用于将其输入的张量数据调整到[-1，1]；所述的增强模块含有两个输入和一个输出，所述的两个输入为所述的输入1和输入G1，所述的输入G1与所述生成模块的输出G1相对应，所述一个输出为输出G2；所述的增强模块由运算层7、运算层8、运算层9、运算层10、运算层11、运算层12、运算层13、运算层14、平滑过滤层和标准化层构成；所述的运算层7的作用是将所输入的张量进行平方运算；所述的运算层8和运算层9的作用是将所输入的两个张量进行乘法运算；所述的运算层10、运算层13、运算层14的作用是将其输入进行复合运算，所述的复合运算是对其多个输入张量的对应位置数据进行加、减、乘、除运算；所述的运算层11和运算层12的作用是将所输入的两个输入进行减法运算；所述的平滑过滤层含有一个输入和一个输出，其作用是对其输入执行平滑操作，所述的平滑操作是将其输入张量中小区域数据的平均值作为中心值；所述的标准化层含有一个输入和一个输出，其作用是将输入张量所有位置的数据进行缩小，所述的缩小操作是将输入张量所有位置的数据均除以输入张量的尺寸；所述的增强模块的功能是使用G1作为引导信息对输入1进行卡通风格增强，其是通过以下流程实现的：流程1：所述的输入1经过所述的运算层7、平滑过滤层、标准化层的串联处理，得到输出的张量数据Q1；流程2：所述的输入1经过所述的平滑过滤层、标准化层的串联处理，得到输出的张量数据Q2；所述的输入G1经过所述的平滑过滤层、标准化层的串联处理，得到输出的张量数据Q3；流程3：将获得的数据Q2、数据Q3输入到所述的运算层9，经过运算层9的乘法运算得到张量数据Q4＝Q2*Q3；流程4：所述的输入1、输入G1输入到所述的运算层8，再依次经过所述的平滑过滤层、标准化层的串联处理，得到输出的张量数据Q5；流程5：将获得的数据Q1、数据Q4输入到所述的运算层11，经过运算层11的减法运算得到张量数据Q6＝Q1-Q4；将获得的数据Q4、数据Q5输入到所述的运算层12，经过运算层12的减法运算得到张量数据Q7＝Q5-Q4；流程6：将获得的数据Q6和数据Q7输入到所述的运算层10，经过运算层10的复合运算得到张量数据QB＝Q7Q6+0.01＝Q8；流程7：将获得的数据Q8输入到所述的平滑过滤层、标准化层，经过其串联处理得到输出的张量数据Q9；流程8：将获得的数据Q2、数据Q3和数据Q8输入到所述的运算层13，经过运算层13的复合运算得到张量数据Q10＝Q3-Q2*Q8；流程9：将获得的数据Q10输入到所述的平滑过滤层、标准化层，经过其串联处理得到张量数据Q11；流程10：将所述的输入1以及所获得的数据Q9、数据Q11输入到所述的运算层14，经过其复合运算处理得到输出的张量数据G2＝所述的输入1*Q9+Q11，即所述的输出G2；所述的卡通风格提取模块由纹理模块、表面模块和局部纹理模块组成，每个模块均含有两个输入和一个隐式输出，所述的两个输入均为所述的输入2和输入G2，所述的输入G2与所述增强模块的输出G2相对应，该模块提取并对比分析其输入的纹理、表面和局部纹理特征，然后将结果反馈到所述的生成模块以及调整该模块的相应子模块，不断优化调控其网络结构和性能参数；所述的纹理模块是由颜色分解层、纹理判别器A、纹理判别器B和纹理模块优化控制器共同组成，其含有两个输入和一个隐式输出，该模块的作用是提取并对比分析其两个输入的灰度图的细节和结构边缘特征，将对比结果进行反向传播，不断优化该模块的相应子模块和所述生成模块的结构和性能参数；所述的颜色分解层含有两个输入和两个输出，所述的两个输入为所述的输入G2和所述的输入2，所述的两个输出分别为输出gray_fake和输出gray_cartoon，其分别对应所述输入G2的灰度图和所述输入2的灰度图，所述颜色分解层的作用是将其输入的两个彩色图像数据转变成灰度图像数据；所述的纹理判别器A和纹理判别器B具有相同的结构和功能，其均含有一个输入和一个输出；所述纹理判别器A的输入为所述的输出gray_fake，其输出为输出texture_1，所述纹理判别器B的输入为所述的输出gray_cartoon，其输出为输出texture_2；所述的纹理判别器A和纹理判别器B的作用是提取其输入的细节、结构边缘等纹理特征信息，其均是由卷积层H、Leakyrelu激活函数层、卷积层I、Leakyrelu激活函数层、卷积层J、Leakyrelu激活函数层、卷积层K、Leakyrelu激活函数层、卷积层L、Leakyrelu激活函数层、卷积层M、Leakyrelu激活函数层、卷积层N依次串联构成；所述卷积层H、卷积层I、卷积层J、卷积层K、卷积层L、卷积层M、卷积层N的作用均是提取其输入的细节和结构边缘特征；所述的纹理模块优化控制器含有两个输入和三个隐式输出，所述的两个输入为所述的输出texture_1和输出texture_2，所述的三个隐式输出为输出纹理反馈1、输出纹理反馈2和输出纹理反馈3，所述的输出纹理反馈3为所述纹理模块的隐式输出；所述的纹理模块优化控制器由损失函数和优化器组成，所述的损失函数含有两个输入和一个输出，所述的一个输出为所述优化器的输入；所述的纹理模块优化控制器的损失函数为ltexture＝λ1[logDfrcsIC+log1-DfrcsG2]其中的frcs为所述的颜色分解层，IC、G2分别为所述的输入2和输入G2，D为纹理判别器A或纹理判别器B，log为对数运算，ltexture为纹理损失值，λ1∈[0，10]为纹理模块的权重系数；所述的优化器通过其三个隐式输出分别对所述的纹理判别器A、纹理判别器B和生成模块进行网络结构和性能参数进行优化调整使之神经元的梯度整体下降收敛，优化调整的原则是使损失函数ltexture不断下降收敛；所述的表面模块是由平滑图像处理A、平滑图像处理B、表面判别器A、表面判别器B和表面模块优化控制器共同组成，其含有两个输入和一个隐式输出，其功能为提取并对比分析所述的输入G2和输入2的像素平滑区域表面特征，然后将对比结果进行反向传播，反馈到所述的生成模块以及该模块的相应子模块，不断优化调控其网络结构和性能参数；所述的平滑图像处理A和平滑图像处理B均含有相同的结构和功能，均含有一个输入和一个输出，其作用为对其输入进行平滑去噪处理，得到更加平滑且清晰的图像数据；所述的平滑图像处理A的输入为所述的输入G2，其与所述的输出G2相对应，其输出为输出blur_fake，其含义为所述输入G2的模糊图像；所述的平滑图像处理B的输入为所述的输入2，其输出为输出blur_cartoon，其含义为所述输入2的模糊图像；所述的表面判别器A、表面判别器B和所述的纹理判别器A具有完全相同的结构，均含有一个输入和一个输出，其为提取所述输入的去除边缘、细节、纹理而保留颜色的表面特征图像数据；所述表面判别器A的输入为所述的输出blur_fake而其输出为输出surface_1，所述的表面判别器B的输入为所述的输出blur_cartoon而其输出为输出surface_2；所述的表面模块优化控制器含有两个输入和三个隐式输出，所述的两个输入为所述的输出blur_fake和输出blur_cartoon，所述的三个隐式输出为表面反馈1、表面反馈2和表面反馈3，所述的表面反馈3为所述的表面模块的隐式输出；所述的表面模块优化控制器由损失函数和优化器依次串联组成，所述的损失函数为lsurface＝λ2[logDfdgfIC+log1-DfdgfG2]其中的fdgf为所述的平滑图像处理A、平滑图像处理B，D为所述的表面判别器A、表面判别器B，log为对数运算，lsurface为表面损失值，λ2∈[1，2]为表面模块的权重系数；所述的优化器通过其三个隐式输出分别对所述的表面判别器A、表面判别器B和生成模块进行网络结构和性能参数的优化，使之神经元的梯度整体下降收敛，优化处理的原则是使损失函数lsurface的值不断下降收敛；所述的平滑图像处理A和平滑图像处理B均由平滑过滤层、标准化层、运算层15、运算层16、运算层17、运算层18、运算层19、运算层20组成；所述的运算层15和运算层16均含有一个输入和一个输出；所述的运算层17含有两个输入和一个输出，所实现的是对其输入的减法运算；所述的运算层18含有一个输入和一个输出，所述的运算层19含有两个输入和一个输出，所述的运算层20含有三个输入和一个输出其所实现的功能是对其输入的复合运算；所述的平滑过滤层含有一个输入和一个输出，用于对其输入进行平滑处理，所述的平滑处理是指将输入张量中小区域数据的平均值作为中心值；所述的标准化层含有一个输入和一个输出，其作用是将输入张量所有位置的数据进行缩小，所述的缩小操作是将输入张量所有位置的数据均除以输入张量的尺寸；所述的平滑图像处理A、平滑图像处理B的功能是使输入图像保持清晰的边缘，其是通过以下流程实现的：流程1：令其输入为图像数据I，将图像I经过所述平滑过滤层、标准化层和运算层16的串联处理，得到输出的数据P1；流程2：将数据图像I经过所述运算层15、平滑过滤层、标准化层的串联处理，得到输出的数据P2；流程3：将获得的数据P1和数据P2输入到所述运算层17，经过运算层17的减法运算得到输出的数据P3＝P2-P1；流程4：将获得的数据P3输入到所述运算层18，经过运算层18的复合运算得到输出的数据P4＝P3P3+ε1，其中的ε1＝0.01为用于避免分母为零的小常数；流程5：将获得的数据P4、数据P1输入到所述运算层19，经过运算层19的复合运算得到输出的数据P5＝P1-P4*P1；流程6：将获得的数据P4输入到所述平滑过滤层、标准化层，经过其依次串联处理得到输出的数据P6；流程7：将获得的数据P5输入到所述平滑过滤层、标准化层，经过其依次串联处理得到输出的数据P7；流程8：将获得数据P6、数据P7和所述的图像数据I输入到所述运算层20，经过运算层20的复合运算得到输出的数据P8＝P6*图像I+P7，所述的数据P8就是所述的平滑图像处理A、平滑图像处理B的输出；所述的局部纹理模块是由补丁提取层A、补丁提取层B、颜色分解层、局部纹理判别器A、局部纹理判别器B和局部纹理模块优化控制器共同组成，其含有两个输入和一个隐式输出，该模块的功能为提取并对比分析其输入的小区域图像的对应灰度图的细节和结构边缘局部纹理特征，并将对比结果进行反向传播，不断优化该模块的相应子模块和所述生成模块的结构和性能参数；所述的补丁提取层A和补丁提取层B含有完全相同的结构和功能，均含有一个输入和一个输出，其作用是分别提取所述输入G2和所述输入2中的小区域图像数据；所述的补丁提取层A的输入为所述的输入G2而其输出为输出G2_patches，所述的补丁提取层B的输入为所述的输入2而其输出为cartoon_patches；所述的颜色分解层含有两个输入和两个输出，所述的两个输入为所述的输出G2_patches和输出cartoon_patches，所述的两个输出为输出G2_patche_gray和输出cartoon_patches_gray，其分别为其输入的小区域灰度图像；所述的局部纹理判别器A和局部纹理判别器B含有完全相同的结构和功能，均含有一个输入和一个输出；所述的局部纹理判别器A的输入为所述的输出G2_patche_gray而其输出为输出local_1，所述的局部纹理判别器B的输入为所述的输出cartoon_patches_gray而其输出为local_2；所述的局部纹理模块优化控制器含有两个输入和三个隐式输出，所述的两个输入为所述的输出local_1和输出local_2，所述的三个隐式输出为局部纹理反馈1、局部纹理反馈2和局部纹理反馈3，所述的局部纹理反馈3为所述的局部纹理模块的隐式输出；所述的局部纹理模块优化控制器和所述的纹理模块优化控制器具有完全相同的结构和功能，均是由损失函数和优化器依次串联组成，所述的损失函数为Llocal＝λ3[logDfrcsfpIC+log1-DfrcsfpG2]其中的fp为所述补丁提取层A、补丁提取层B，frcs为所述的颜色分解层，D为所述的局部纹理判别器A、局部纹理判别器B，log为对数运算，Llocal为局部纹理损失值，λ3∈[200，400]为局部纹理模块的权重系数；所述的优化器利用其三个隐式输出分别对所述局部纹理判别器A、所述局部纹理判别器B和所述生成模块进行网络结构和性能参数进行优化，使其以及所述生成模块的神经元的梯度整体下降收敛，优化处理的原则是使损失函数Llocal的值不断下降；所述的补丁提取层A和补丁提取层B含有相同的结构和功能，均由平滑图像处理C、卷积模块、运算层21、连接层、卷积层5、运算层22依次串联组成；所述的平滑图像处理C与所述的平滑图像处理A、平滑图像处理B具有完全相同的结构和功能，其含有一个输入和一个输出，所述的一个输入为所述补丁提取层的输入；所述的卷积模块含有一个输入和四个输出，其作用是提取其输入张量的边缘信息以获得所输入张量的边缘线条图像特征数据，所述的一个输入为所述平滑图像处理C的输出，卷积模块由卷积层1、卷积层2、卷积层3和卷积层4并联组成的，所述的卷积层1、卷积层2、卷积层3和卷积层4均含有一个输入和一个输入，其输入均为所述卷积模块的输入；所述的运算层21含有四个输入和一个输出，所述的四个输入为所述卷积模块的四个输出，所实现的功能是是将其输入取绝对值并相加缩放到[0，1]，获得所述补丁提取层A、补丁提取层B的输入的含有其边缘特征的粗边缘图特征数据；所述的连接层含有两个输入和一个输出，所述的两个输入为所述运算层21的输出和所述补丁提取层A或者补丁提取层B的输入，其作用是将其两个输入以第四维度进行拼接获得边缘图以及补丁提取层A或者补丁提取层B的输入的对应位置相互重叠的图像数据；所述的卷积层5含有一个输入和一个输出，其作用是提取输入张量的小区域图像，所述的运算层22的功能是计算所述卷积层5的小区域图像的像素值并将之按照由大到小的顺序排序；所述的局部纹理判别器A和局部纹理判别器B均是由卷积层S、归一化层、Leakyrelu激活函数层、卷积层T、归一化层、Leakyrelu激活函数层、卷积层U、归一化层、Leakyrelu激活函数层、卷积层V、归一化层、Leakyrelu激活函数层、卷积层W依次串联构成，其作用是提取并分析其输入的局部纹理特征，获得所输入图像的最显著的细节和结构边缘图像特征数据；所述卷积层S、卷积层T、卷积层U、卷积层V、卷积层W的作用均是提取其输入张量的局部纹理特征，所述的归一化层的作用是使输入张量的每个通道的均值和方差分别为0和1；所述的真实人脸提取模块由内容模块和结构模块组成；所述的内容模块含有两个输入和一个隐式输出，所述的输入为所述的输入1和输入G2，所述的输入G2与所述的输出G2相对应；所述的内容模块由内容判别器A、内容判别器B和内容模块优化控制器器共同组成，其含有两个输入和一个输出，所实现的功能为提取并对比分析其输入的语义信息，不断优化生成模块和内容模块的网络结构和性能参数；所述的内容判别器A和内容判别器B具有相同的功能和结构，均含有一个输入和一个输出，其作用是分别对其输入提取内容特征，获得所输入张量的语义信息特征数据；所述的内容判别器A的一个输入为所述的输入1而其输出为输出content_1，所述的内容判别器B的一个输入为所述的输入G2而其输出为输出content_2；所述的内容判别器A、内容判别器B均是由卷积层A9、卷积层A10、卷积层A11、卷积层A12依次串联构成，所述卷积层的功能是提取其输入张量的深层次图像特征信息；所述的内容模块优化控制器含有两个输入和三个隐式输出，所述的两个输入为所述的输出content_1和所述的输出content_2，所述的三个隐式输出为输出内容反馈1、输出内容反馈2和输出内容反馈3，所述的输出内容反馈3为所述内容模块的输出；所述的内容模块优化控制器和所述的纹理模块优化控制器具有相同的结构和功能，均是由损失函数和优化器依次串联组成，所述的损失函数为 其中的D为所述的内容判别器A、内容判别器B，G2、Ip为所述的输入G2和输入1，i、j为图像数据的位置，H、W、C为所述D的输入的长度、宽度、通道数，λ4∈[1.5*103，2.5*103]为内容模块的权重系数；所述的优化器利用其三个隐式输出分别对所述的内容判别器A、内容判别器B和生成模块进行网络结构和性能参数的优化，使其神经元的梯度整体下降收敛，优化处理的原则是使损失函数Lcontent的值不断下降；所述的结构模块由分割层、着色层、结构判别器A、结构判别器B和结构模块优化控制器共同组成，其含有一个输入和一个隐式输出，所述的一个输入为输入G2，其与所述的输出G2相对应，该模块的作用是提取并对比其输入的对象结构视觉信息，并将对比结果进行反向传播不断优化其以及所述生成模块的网络结构和性能参数；所述的分割层、着色层、结构判别器A均含有一个输入和一个输出并且依次串联，所述的分割层的输入为所述结构模块的输入G2，所述结构判别器A的输出为输出structure_1；所述的结构判别器B含有一个输入和一个输出，所述的输入为G2，所述的输出为structure_2；所述的结构判别器A、结构判别器B和所述的内容判别器A、内容判别器B具有完全相同的结构，其作用是提取输入张量的视觉信息，获得输入张量的稀疏色块和清晰边缘的图像数据；所述的分割层的作用是将所述的输入G2分割成200个小区域，所述的着色层的作用是将所述的200个小区域着色；所述的结构模块优化控制器含有两个输入和三个隐式输出，所述的两个输入为所述的输出structure_1和输出structure_2，所述的三个隐式输出为输出结构反馈1、输出结构反馈2和输出结构反馈3，所述的输出结构反馈3为所述的结构模块的输出；所述的结构模块优化控制器和所述的纹理模块优化控制器具有完全相同的结构和功能，均是由损失函数和优化器依次串联组成，所述的损失函数为 其中的D为结构判别器A、结构判别器B，ff为分割层，fz为着色层，i、j为图像数据位置，H、W、C为所述输入G2的高度、宽度、通道数，λ5∈[0，105]为结构模块的权重系数；所述的优化器利用其三个隐式输出分别对所述的结构判别器A、结构判别器B和生成模块进行网络结构和性能参数的优化，使其神经元的梯度整体下降收敛，优化处理的原则是使损失函数Lstructure的值不断下降收敛；所述的结构判别器A、结构判别器B、内容判别器A、内容判别器B具有完全相同的结构和功能，均是有卷积层A9、卷积层A10、卷积层A11、卷积层A12依次串联构成，用于是对其输入张量的特征提取，获取图像的深层次信息；所述的卷积层A9由卷积层O、Leakyrelu激活函数层、卷积层O、Leakyrelu激活函数层、最大池化层依次串联组成；所述的卷积层A10由卷积层P、Leakyrelu激活函数层、卷积层P、Leakyrelu激活函数层、最大池化层依次串联组成；所述的卷积层A11由卷积层Q、Leakyrelu激活函数层、卷积层Q、Leakyrelu激活函数层、卷积层Q、Leakyrelu激活函数层、卷积层Q、Leakyrelu激活函数层、最大池化层依次串联组成；所述的卷积层A12由卷积层R、Leakyrelu激活函数层、卷积层R、Leakyrelu激活函数层、卷积层R、Leakyrelu激活函数层、卷积层R、最大池化层依次串联组成；所述的卷积层O、卷积层P、卷积层Q、卷积层R的作用是对其输入张量的特征提取；所述的Leakyrelu激活函数层的作用是将输入张量小于0的数据缩小至原来的0.2倍；所述的最大池化层的作用是将输入张量的尺寸缩小为原本的二分之一。

全文数据：

权利要求：

百度查询： 天津科技大学 一种基于图像创作的生成式对抗神经网络及卡通人脸图像生成方法