CN111597169B - 基于风格迁移的个性化定制产品设计平台及定制方法 - Google Patents

Abstract

本发明公开了一种基于风格迁移的个性化定制产品设计平台和基于该个性化定制产品设计平台进行产品个性化定制的方法，该平台包括前台系统和后台系统，所述的前台系统包括推荐模块、制作模块、用户信息模块；后台系统包括用户管理模块、商品管理模块、订单管理模块；制作模块包含风格迁移模型，与商品管理模块、订单数据模块连接；用户从商品管理模块选择相关商品信息，通过风格迁移模型对选定的商品上的图案进行设计，根据用户设计的图案和选定的商品计算商品的价格，生成订单，存储至订单数据模块。本发明将风格迁移技术运用到个性化定制平台中，为用户提供了更多的设计可能性，满足用户的个性化需求的同时又不增加用户的使用难度。

Description

基于风格迁移的个性化定制产品设计平台及定制方法

技术领域

本发明涉及图像处理与产品设计领域，尤其涉及一种基于风格迁移的个性化定制产品设计平台及定制方法。

背景技术

随着互联网技术、计算机辅助设计的发展，产品个性化定制平台有了更先进的技术支撑，并已经得到一定程度的推广。

个性化定制具体指的是用户依据自己的需要来自己定制商品的制造。个性化定制打破了传统的商业模式，用户不仅仅只是挑选中意的商品，更可以参与到商品的制作中。不仅如此，为了满足个性化定制的需求，商品的制作到出售的流程也随之有所改变，不是简单的制作到出售，在出售之前有二次加工的过程。

按照用户参与方式的不同，可以将当前的产品个性化定制平台分为三类：组合性参与、选择性参与、调节性参与，其中以调节性参与为主的交互定制平台是重要的发展趋势，但目前这类平台数量较少，且相关研究不充分。

现有定制平台大多有以下问题：仅仅是对图片的简单加工处理，缺乏创新性；用户自己创作的门槛高，参与设计的程度较低。

基于人工智能的图像风格迁移算法可以被理解为：指定一幅输入图像作为基础图像，也被称做内容图像；同时指定另一幅或多幅图像作为希望得到的图像风格，算法在保证内容图像的结构的同时，将图像风格进行转换，使得最终输出的合成图像呈现出输入图像内容和风格的完美结合。

风格迁移基于核心卷积神经网络算法，有多种实现方式，主要步骤包括训练风格模型和迁移，其中训练风格模型需要较长时间而迁移仅需要几秒。

风格迁移技术目前已经较为成熟，但是大多停留在了图片处理上，没有对这个技术进行较好的使用。风格迁移是一种很好的设计工具，可以让用户根据自己的需求，对图片快速进行风格化处理，同时又不耗费大量的时间精力，降低用户设计的门槛。

发明内容

本发明提供了一种基于风格迁移的个性化定制产品设计平台，该个性化定制产品设计平台通过风格迁移模型降低用户参与设计的难度，使用户在个性化定制过程中的用户体验更佳。

本发明的具体技术方案如下：

一种基于风格迁移的个性化定制产品设计平台，包括前台系统和后台系统；

所述的前台系统包括：

推荐模块，向用户展示与推荐商品和设计风格，供用户选择；

制作模块，包含风格迁移模型；所述制作模块与商品管理模块、订单数据模块连接；用户从商品管理模块选择相关商品信息，通过风格迁移模型对选定的商品上的图案进行设计，根据用户设计的图案和选定的商品计算商品的价格，生成订单，存储至订单管理模块；

用户信息模块，向用户提供账号信息管理和订单管理的功能；

所述的后台系统包括：

用户管理模块，包含用户数据库，管理与存储用户信息；

商品管理模块，包含商品数据库，管理与存储商品信息；

订单管理模块，包含订单数据库，管理与存储订单信息。

所述的推荐模块包括：

风格展示单元，展示设计风格并供用户选择；

活动推广单元，展示个性化定制产品设计平台举行的活动；

商品宣传单元，展示商品的名称、价格、缩略图。

所述的制作模块包括：

产品定制单元，与所述的商品管理模块连接，用户从商品管理模块选择商品的类型、款式；

风格迁移单元，包含风格迁移模型，根据用户选择的设计风格通过风格迁移模型对用户输入的内容图片进行风格化处理，获得合成图片；

订单生成单元，与所述的订单数据模块连接，根据所述的合成图片和用户选定的商品类型、款式，计算定制产品的价格，生成订单。

风格迁移单元在服务器中运行。风格迁移模型可以实现对图片的快速风格迁移处理。

所述的风格迁移模型包括：

图片转换网络，根据输入的风格图片的风格，对输入的内容图片进行风格迁移，输出合成图片；

特征提取网络，提取输入的风格图片、内容图片、合成图片的特征，计算图片转换网络对内容图片进行风格迁移后的损失，用于优化图片转换网络的参数。

所述的内容图片是指用户输入的待处理图片；所述的风格图片是指具有用户所选定的设计风格的图片；所述的合成图片是指根据风格图片和内容图片经图片转换网络生成的图片。

所述的图片转化网络包括依次连接的：

卷积单元，对输入的内容图片进行卷积运算，得到卷积输出；

残差单元，根据风格迁移参数对卷积输出依次进行归一化、非线性运算、卷积运算和归一化，得到的结果与输入的卷积输出相加，得到残差输出；

上采样单元，对残差输出依次进行插值运算和卷积运算，得到所述的合成图片。

优选的，所述的卷积包括第一卷积层、第二卷积层和第三卷积层；每个卷积层后都依次连接有归一化层和非线性激活层。

进一步的，第一卷积层中输入通道数为2，输出通道数为32，卷积核大小为9×9，步幅为1；第二卷积层中输入通道数为32，输出通道数为64，卷积核大小为3×3，步幅为2；第三卷积层中输入通道数为64，输出通道数为128，卷积核大小为3×3，步幅为2。

优选的，所述的残差单元中包括5个残差块；每个残差块中包括依次连接的卷积层、归一化层、非线性激活层、卷积层和归一化层；在一个残差块中，输入依次经过卷积层、归一化层、非线性激活层、卷积层和归一化层后，得到的结果再与输入相加，得到该残差块的输出。

进一步的，每个残差块中，卷积层输入通道数为128，输出通道数为128，卷积核大小为3×3，步幅为1。

优选的，所述的上采样单元包括第一上采样层、第二上采样层和第三上采样层；第一上采样层和第二上采样层后都依次连接归一化层和非线性激活层。

进一步的，第一上采样层、第二上采样层和第三上采样层采用最邻近插值运算。

所述的特征提取网络为VGG-16神经网络的特征提取区域的1～23层。

特征提取网络能很好提取输入图像的特征，当风格图片、内容图片、合成图片被输入后，该网络将提取它们的特征用于计算图片转换网络对内容图片进行风格迁移后的损失，用于优化图片转换网络的参数。

针对不同的设计风格，所述的风格迁移模型均经过对应的训练，获得相应的图片转换网络的参数，当使用该参数时，图片转换网络可以在不改变输入图片内容的同时将其风格转换至此参数对应的设计风格。

对风格迁移模型进行训练包括以下步骤：

(i)初始化图片转换网络的参数，将内容损失函数和风格损失函数清零；

(ii)批次读入训练集中的图片作为内容图片，通过图片转换网络获得风格迁移后的合成图片，并将内容图片和合成图片归一化；

(iii)采用特征提取网络提取内容图片、风格图片和合成图片的特征，计算总损失；

(iv)根据总损失反向传播，进行迭代训练，更新图片转换网络的参数，直至训练完成，将获得的参数存储。

步骤(iii)包括：

(iii-1)采用特征提取网络分别提取内容图片和合成图片的内容特征，计算内容损失；

根据如下公式计算内容损失：

式中：表示内容图片；/>表示合成图片；/>表示内容图片在第l层中第i个过滤器上位置j处的激活值；/>表示生成图片在第l层中第i个过滤器上位置j处的激活值；

(iii-2)采用特征提取网络分别提取风格图片和合成图片的风格特征，计算风格损失；所述风格特征采用Gram矩阵表示；

根据如下公式计算Gram矩阵：

式中，表示在l层中第i个和第j个矢量化特征映射之间的内积；/>表示图片在l层中第i个过滤器上位置k处的激活值；

根据如下公式计算风格损失：

式中，表示风格图片；/>表示合成图片；L表示在特征提取网络中用来提取风格特征的卷积层的总层数；ω_l表示对应卷积层l的风格损失函数的权重；E_l表示在第l层中的风格损失函数，其计算公式如下：

式中，和/>分别表示合成图片和风格图片的Gram矩阵；N_l表示l层中滤波器的数量；M_l表示l层中的特征图的大小；

(iii-2)根据如下公式计算所述的总损失：

式中，α表示内容图片在合成图片中的权重占比，β表示风格图片在合成图片中的权重占比。

步骤(iv)中，利用Adam优化算法更新图片转换网络的参数。

采用风格迁移模型生成合成图片包括以下步骤：

向风格迁移模型输入待要风格迁移的内容图片；

选定所需的设计风格，加载图片转换网络并读入该设计风格所对应的参数；

根据读入的参数，经图片转换网络生成所需的合成图片。

所述的用户信息模块包括：

账号设置单元，用于用户查看或修改账号设置；

订单列表单元，用于用户查看订单；

其他信息单元，包含网站设置、售后和申明信息。

所述的用户数据库包含：

用户表，包含用户ID、用户邮箱、用户密码、注册时间和上次登录时间；

地址表，保存用户的收货地址；

图片表，保存用户的合成图片。

所述的商品数据库包含：

商品表，保存的商品信息包括商品名称、商品价格、商品描述、商品图片路径；

参数表，记录商品的参数，商品的参数包括颜色、种类；通过外键与指定商品关联；

模型表，保存模型的名称、内容和预览图片；模型的内容是指合成图片放置于商品之上的位置，通过对角两个点的位置确定位置；通过外键与指定商品关联。

所述的订单数据库包含商品名称、用户名称、商品价格、收货地址、交易时间、商品图片、商品数量、商品单价、订单总价、商品具体描述、商品参数以及订单状态。

本发明将风格迁移技术应用到个性化定制产品设计平台中，突破了传统定制平台的设计方法，为用户提供了更多的设计可能性，满足了用户的个性化需求，同时又不增加用户的使用难度，具有广泛的市场应用前景。

基于相同的发明构思，本发明还提供了一种基于所述的个性化定制产品设计平台进行产品个性化定制的方法，包括以下步骤：

(1)选择用于定制产品的内容图片，并上传至所述的个性化定制产品设计平台；选择推荐模块展示的设计风格；选择定制产品的类型和款式；

(2)通过制作模块对上传的内容图片进行风格化处理，获得合成图片；预览合成图片的效果并完成图片设计；根据定制产品的类型、款式以及合成图片，获得印有合成图片的产品效果图，确定效果图后，将该产品数据发送到用户数据库内进行储存，并计算该产品的价格；

(3)用户根据产品的价格支付相应金额后，所述的个性化定制产品设计平台根据定制产品的效果图、价格和用户信息，生成订单并显示；

(4)工厂接单并根据订单信息进行产品的制作；制作完成后通过物流发给用户，用户收到产品后确认订单已收货状态，完成交易。

步骤(2)中，用户根据效果图可对生成图片进行参数调整，参数包括图片大小、角度、亮度、对比度、饱和度；调整效果实时反应在效果图上。

基于相同的发明构思，本发明还提供了另一种基于所述的个性化定制产品设计平台进行产品个性化定制的方法，包括以下步骤：

(1)选择用于定制产品的内容图片，并上传至所述的个性化定制产品设计平台；选择推荐模块展示的设计风格；

(2)通过制作模块对上传的内容图片进行风格化处理，获得合成图片；预览合成图片的效果并完成图片设计；

(3)将合成图片发送到用户数据库内进行储存，并计算该合成图片的价格；

(4)用户根据合成图片的价格支付相应金额后，所述的个性化定制产品设计平台生成订单并显示；用户获得该合成图片的数据，完成交易。

即根据用户不同的需求，用户可以仅对风格迁移后的图片进行购买，购买后的图片将储存于订单数据库，用户想要定制产品时可以根据订单数据库的显示直接对该图片进行使用。

与现有技术相比，本发明的有益效果为：

在商品定制过程中，用户可以运用风格迁移技术选择不同的艺术风格，创作出属于自己独一无二的图案，经过风格迁移后的图片带有设计感，符合大众审美，适用于不具备设计能力而想要得到个性化产品的人群；

所述的个性化定制产品设计平台可完成产品的定制、生产、销售的一体化流程，让用户参与到设计过程中，同时获得相应的设计成果，提升了定制平台的可操作性。

本发明将风格迁移运用到个性化定制平台中，突破了传统定制平台的设计方法，为用户提供了更多的设计可能性，满足用户的个性化需求的同时又不增加用户的使用难度，具有广泛的市场应用前景。

附图说明

图1为基于风格迁移的个性化定制产品设计平台的功能模块图；

图2为卷积层单元的结构示意图；

图3为残差块单元的结构示意图；

图4为上采样层单元的结构示意图；

图5为风格迁移模型的架构示意图；

图6为风格迁移模型的训练流程图；

图7为风格迁移模型进行风格迁移的流程图；

图8为个性化定制产品设计平台的定制产品设计方法流程图；

图9为定制产品设计方法①的流程图；

图10为定制产品设计方法②的流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。

如图1所示，基于风格迁移的个性化定制产品设计平台包括前台以及后台，其中前台包括推荐系统、制作系统和用户信息系统；后台包括用户管理模块、商品管理模块和订单管理模块。

后台模块功能实现主要基于数据库，用户、商品、订单的所有数据都被保存在数据库中。本平台数据库包括商品数据库、用户数据库、订单数据库。

商品数据库主要由商品、参数、模型三张表所组成。商品表存档有商品的内容，包括了商品名称、商品价格、商品描述、商品图片路径四个商品基本的信息。同时因为商品对于参数和模型有着一对多的关系，所以设计了参数表和模型表指向商品。参数表记录商品的参数，参数可能有颜色、种类等，通过外键与指定商品连接。模型表记录了个性化图片放置于商品之上的位置，通过左上角和右下角两个点的位置确认，同时模型还有自己的名字与预览图片，也是通过外键与商品关联。

用户数据库用户表中包含了用户ID、用户邮箱、用户密码、注册时间和上次登录时间等。除了用户表之外，还设有地址表和图片表分别用来保存用户的收货地址以及用户的风格化后图片。

订单数据库包含了商品名称、用户名称、商品价格、收货地址、交易时间、商品图片、商品数量、商品单价、订单总价、商品具体描述、商品参数以及订单状态。

推荐系统包括风格展示模块、活动推广模块、商品宣传模块。风格展示模块可供用户观看和选择喜欢的风格，活动推广模块用于展示平台进行近期活动和长期活动，商品宣传模块用于展示商品的名称、价格、缩略图。

制作系统包括风格迁移模块、产品定制模块和订单生成模块。产品定制模块与商品数据库连接，用户可以选择商品数据库中定制产品的类型、款式，同时对产品上的图案进行参数调整，获得定制完成的产品；订单生成模块与订单数据库相连接，用于根据用户设计的图案和选择的产品类型，计算出定制产品价格，生成用户订单。

风格迁移模块在服务器中进行处理，用户输入待处理图片以后，可以自行选择风格进行图片风格化处理，获得风格迁移后的图片。

其中，风格迁移模块中采用风格迁移模型，该模型可以实现对图片的快速风格迁移处理。风格迁移模型由两个部分组成，分别为图片转换网络和预训练好的VGG-16神经网络。

图片转换网络的任务是在给定一张风格图片的前提下，对输入该网络的内容图片进行风格迁移，输出合成图片。图片转换网络包括三个模块：卷积层、残差块以及上采样层。

卷积层模块，用于提取图片中的特征。卷积层模块的具体架构如图2所示，卷积层模块中，输入要经过一次镜像填充之后，再经过卷积核，得到输出。

残差块模块，用于收敛和稳定风格迁移模型。残差块模块的具体架构如图3所示，输入经过卷积层和归一化再经历非线性运算，再经过卷积层和归一化的结果再与输入相加，得到输出。其中非线性激活层，通过非线性激活函数RELU对上一步的输出特征进行非线性运算；归一化层，对上一步的输出特征进行归一化。

上采样层模块，用于从一个较小尺寸的矩阵进行变换，得到较大尺寸的矩阵。上采样层模块的具体架构如图4所示，输入经过最邻近插值运算，再经过镜像填充层最后经过卷积层，得到输出。

图片转换网络的整体架构如图5所示。

第一单元经过第一卷积层、第二卷积层以及第三卷层，同时三层卷积层后都要经过归一化以及非线性激活函数。第一卷积层，其中输入通道数为2，输出通道数为32，卷积核大小为9*9，步幅为1；第二卷积层，其中输入通道数为32，输出通道数为64，卷积核大小为3*3，步幅为2；第三卷积层，其中输入通道数为64，输出通道数为128，卷积核大小为3*3，步幅为2。

第二单元经过五次残差块。残差块中的卷积层，输入通道数为128，输出通道数为128，卷积核大小为3*3，步幅为1。

第三单元经过第一上采样层、第二上采样层以及第三上采样层，其中第一上采样层和第二上采样层之后要经过归一化以及非线性激活函数。

预训练好的VGG-16神经网络，它能很好提取输入图像的特征，当风格图片、内容图片、合成图片被输入后，该网络将提取它们的特征用于计算图片转换网络对内容图片进行风格迁移后的损失。本模型只采用VGG-16神经网络的特征提取区域1～23层，具体结构如下：输入图片后，经过2次64个卷积核的卷积层，经过一次最大池化层；再经过2次128个卷积核的卷积层，经过一次最大池化层；再经过3次256个卷积核的卷积层，经过一次最大池化层；再经过3次512个卷积核的卷积层。取RELU1-2，RELU2-2，RELU3-3，RELU4-3分别作为四个输出结果输出。

风格迁移模型使用流程分为训练模式和风格迁移模式。

训练模式是为了得到对应模型的图片转换网络的参数，当使用此参数时，图片转换网络可以在不改变输入图片内容的同时将其风格转换至此参数对应的风格。

训练模式过程流程图如图6所示；

读取风格图片，对风格图片进行预处理，利用vgg-16模型和gram矩阵得到风格表示；

初始化参数，将内容损失函数和风格损失函数清零；

批次读入训练集中的图片作为内容图片，获得迁移后的图片，并将内容图片和迁移后的图片归一化。

利用VGG-16模型，提取内容图片和迁移后图片的内容特征，计算内容损失。内容损失函数可以根据如下公式计算：

式中：表示内容图片，/>表示迁移后图片，/>表示内容图片在第l层中第i个过滤器上位置j处的激活值；/>表示生成后的图片在第l层中第i个过滤器上位置j处的激活值。

利用gram矩阵和VGG-16模型，提取风格图片和迁移后图片的风格特征，计算风格损失。Gram矩阵可以根据如下公式计算：

表示在l层中第i个和第j个矢量化特征映射之间的内积；/>表示图像在l层中第i个过滤器上位置k处的激活值。

E_l表示在第l层中的风格损失函数，可以根据如下公式计算：

和/>分别表示迁移后的图片和风格图片的Gram矩阵；N_l表示l层中滤波器的数量；M_l表示l层中的特征图的大小。

风格总损失函数可以根据如下公式计算：

表示风格图片，/>表示迁移后图片。L表示在VGG网络中用来提取图像风格特征表示的卷积层的总层数；ω_l表示对应卷积层l的图像风格损失函数的权重；

根据内容损失和风格损失计算总损失，总损失函数公式如下：

α表示内容图片在迁移图片中的权重占比，β表示风格图片在迁移图片中的权重占比。

根据总体损失反向传播，进行迭代训练，利用Adam优化算法更新图片转换网络的参数。

训练完成，储存该风格迁移模型的图片转换网络的参数。

风格迁移模式流程如图7所示，包括如下步骤：

输入想要风格迁移的内容图片；

加载图片转换网络并读入参数；

内容图片经过图片转换网络，生成结果图。

用户在使用风格迁移模块的时候，仅需经过风格迁移模型中风格迁移模式的流程，即可获得相应风格的合成图片。

用户信息系统包括账号设置模块、订单列表模块和其他信息模块，账号设置模块用于用户查看自己的账号设置，并且修改可以修改的项目。订单列表模块，用于用户查看图片订单和商品订单，其他信息模块主要包含了网站设置、售后和申明。

如图8所示，基于风格迁移的个性化定制产品设计平台的定制产品设计方法，包括以下步骤：

用户先选择商品定制或是图片生成，选择图片生成后进入流程①，如图9所示，包括以下步骤：

1.选择用于商品定制的图片：用户上传或拍摄想要用于商品定制的图片；

2.选择风格迁移样式：风格迁移模块展示了风格迁移的样式，用户根据需求选择想要风格迁移的样式，对上传图片进行风格化处理；

3.预览效果并完成图片设计：用户根据预览的风格化效果，确定想要商品定制风格图片，完成该步骤；

4.选择定制产品并完成定制：用户选择定制产品的品类和款式，得到印有风格迁移后图片的产品效果图，同时可以对产品上的图片进行参数调整，包括图片大小、角度、亮度、对比度、饱和度，此类调整实时反应在产品效果图上，用户确定定制产品的效果图后，将该产品数据发送到用户数据库内进行储存；

5.购买商品：用户确定产品效果图以后，根据产品数据库展示产品的价格，用户支付产品金额；

6.生成商品订单：根据定制产品效果图，产品的价格和用户信息，在线打印生产订单并显示商品订单；

7.工厂接单并生产：工厂根据用户数据库中展现的商品订单信息，进行相应的定制商品制作。

8.物流发货：制作完成的定制商品由工厂通过物流发给用户；

9.收货成功：用户收到完成的定制商品，并确认订单已收货状态，完成交易。

用户先选择商品定制后进入流程②，如图10所示，包括以下步骤：

1.选择定制商品；

2.选择用于商品定制的图片；

3.选择风格迁移样式；

4.预览效果并完成定制；

5.购买商品；

6.生成商品订单；

7.工厂接单并生产；

8.物流发货；

9.收货成功。

同时，根据用户不同的需求，用户可以仅对风格迁移后的图片进行购买，购买后的图片将储存于订单数据库，用户想要定制产品时可以根据订单数据库的显示直接对该图片进行使用。

以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于风格迁移的个性化定制产品设计平台，包括前台系统和后台系统，其特征在于，所述的前台系统包括：

推荐模块，向用户展示与推荐商品和设计风格，供用户选择；

制作模块，包含风格迁移模型；所述制作模块与商品管理模块、订单数据模块连接；用户从商品管理模块选择相关商品信息，通过风格迁移模型对选定的商品上的图案进行设计，根据用户设计的图案和选定的商品计算商品的价格，生成订单，存储至订单管理模块；

用户信息模块，向用户提供账号信息管理和订单管理的功能；

所述的后台系统包括：

用户管理模块，包含用户数据库，管理与存储用户信息；

商品管理模块，包含商品数据库，管理与存储商品信息；

订单管理模块，包含订单数据库，管理与存储订单信息；

所述的推荐模块包括：

风格展示单元，展示设计风格并供用户选择；

活动推广单元，展示个性化定制产品设计平台举行的活动；

商品宣传单元，展示商品的名称、价格、缩略图；

所述的制作模块包括：

产品定制单元，与所述的商品管理模块连接，用户从商品管理模块选择商品的类型、款式；

风格迁移单元，包含风格迁移模型，根据用户选择的设计风格通过风格迁移模型对用户输入的内容图片进行风格化处理，获得合成图片；

订单生成单元，与所述的订单数据模块连接，根据所述的合成图片和用户选定的商品类型、款式，计算定制产品的价格，生成订单；

所述的风格迁移模型包括：

图片转换网络，根据输入的风格图片的风格，对输入的内容图片进行风格迁移，输出合成图片；包括依次连接的：

卷积单元，对输入的内容图片进行卷积运算，得到卷积输出；所述的卷积包括第一卷积层、第二卷积层和第三卷积层；每个卷积层后都依次连接有归一化层和非线性激活层；第一卷积层中输入通道数为2，输出通道数为32，卷积核大小为9×9，步幅为1；第二卷积层中输入通道数为32，输出通道数为64，卷积核大小为3×3，步幅为2；第三卷积层中输入通道数为64，输出通道数为128，卷积核大小为3×3，步幅为2；

残差单元，根据风格迁移参数对卷积输出依次进行归一化、非线性运算、卷积运算和归一化，得到的结果与输入的卷积输出相加，得到残差输出；

上采样单元，对残差输出依次进行插值运算和卷积运算，得到所述的合成图片；

特征提取网络，提取输入的风格图片、内容图片、合成图片的特征，计算图片转换网络对内容图片进行风格迁移后的损失，用于优化图片转换网络的参数；所述的特征提取网络为VGG-16神经网络的特征提取区域的1～23层；

对风格迁移模型进行训练包括以下步骤：

(ⅰ)初始化图片转换网络的参数，将内容损失函数和风格损失函数清零；

(ⅱ)批次读入训练集中的图片作为内容图片，通过图片转换网络获得风格迁移后的合成图片，并将内容图片和合成图片归一化；

(ⅲ)采用特征提取网络提取内容图片、风格图片和合成图片的特征，包括：输入图片后，经过2次64个卷积核的卷积层，经过一次最大池化层；再经过2次128个卷积核的卷积层，经过一次最大池化层；再经过3次256个卷积核的卷积层，经过一次最大池化层；再经过3次512个卷积核的卷积层；取RELU1-2，RELU2-2，RELU3-3，RELU4-3分别作为四个输出结果输出；

采用提取的图片特征计算总损失，包括：

(ⅲ-1)采用特征提取网络分别提取内容图片和合成图片的内容特征，计算内容损失；

根据如下公式计算内容损失：

式中：表示内容图片；/>表示合成图片；/>表示内容图片在第l层中第i个过滤器上位置j处的激活值；/>表示生成图片在第l层中第个过滤器上位置j处的激活值；

(ⅲ-2)采用特征提取网络分别提取风格图片和合成图片的风格特征，计算风格损失；所述风格特征采用Gram矩阵表示；

根据如下公式计算Gram矩阵：

式中，表示在l层中第i个和第j个矢量化特征映射之间的内积；/>表示图片在l层中第i个过滤器上位置k处的激活值；

根据如下公式计算风格损失：

式中，表示风格图片；/>表示内容图片；L表示在特征提取网络中用来提取风格特征的卷积层的总层数；ω_*表示对应卷积层l的风格损失函数的权重；E_*表示在第l层中的风格损失函数，其计算公式如下：

式中，和/>分别表示合成图片和风格图片的Gram矩阵；N_*表示l层中滤波器的数量；M_*表示l层中的特征图的大小；

(ⅲ-2)根据如下公式计算所述的总损失：

式中，α表示内容图片在合成图片中的权重占比，β表示风格图片在合成图片中的权重占比；

(ⅳ)根据总损失反向传播，进行迭代训练，更新图片转换网络的参数，直至训练完成，将获得的参数存储。

2.一种基于权利要求1所述的个性化定制产品设计平台进行产品个性化定制的方法，其特征在于，包括以下步骤：

(1)选择用于定制产品的内容图片，并上传至所述的个性化定制产品设计平台；选择推荐模块展示的设计风格；选择定制产品的类型和款式；

(2)通过制作模块对上传的内容图片进行风格化处理，获得合成图片；预览合成图片的效果并完成图片设计；根据定制产品的类型、款式以及合成图片，获得印有合成图片的产品效果图，确定效果图后，将该产品数据发送到用户数据库内进行储存，并计算该产品的价格；

(3)用户根据产品的价格支付相应金额后，所述的个性化定制产品设计平台根据定制产品的效果图、价格和用户信息，生成订单并显示；

(4)工厂接单并根据订单信息进行产品的制作；制作完成后通过物流发给用户，用户收到产品后确认订单已收货状态，完成交易。

3.一种基于权利要求1所述的个性化定制产品设计平台进行产品个性化定制的方法，其特征在于，包括以下步骤：

(1)选择用于定制产品的内容图片，并上传至所述的个性化定制产品设计平台；选择推荐模块展示的设计风格；

(2)通过制作模块对上传的内容图片进行风格化处理，获得合成图片；预览合成图片的效果并完成图片设计；

(3)将合成图片发送到用户数据库内进行储存，并计算该合成图片的价格；

(4)用户根据合成图片的价格支付相应金额后，所述的个性化定制产品设计平台生成订单并显示；用户获得该合成图片的数据，完成交易。