随着深度神经网络与图像处理技术的发展,对现实场景影像进行动漫化转换成为可能。动漫化技术能为AI辅助影像创作提供新的方式与内容,在互联网社交、短视频创作、视频彩铃等多媒体业务下有广泛的应用场景和价值。然而,现有的动漫化算法仍存在一些问题:（1）背景进行动漫化时,图像的色系偏移呈现出较重的滤镜感,并且图像细节被过度弱化,导致生成的图像质量较差。（2）人像进行动漫化时,五官的生成不够稳定,人脸占比和图像尺寸对转换结果影响较大。同时,无法保留足够的图像背景信息,难以实现人脸与背景的共同转换。针对以上问题,结合动漫化在多媒体业务下的应用需求,本文基于生成对抗网络（Generative Adversarial Networks,GAN）分别对背景和人像的动漫化进行了研究,其主要内容如下:第一,提出了基于频谱差异感知风格的场景动漫化网络。通过分析现实域图像和动漫域图像在频谱上的特点与差异,指导生成器更好的学习映射关系以拟合动漫域图像的风格分布。在此基础上,结合手工提取的动漫域成像特征,对图像的转换进行更细化的调控。与CartoonGAN、AnimeGAN在人眼视觉效果和GAN评价指标下进行比较,本文提出的网络模型生成图像更具优越性,在图像细节、色彩还原度、真实感上表现更好且能呈现出较明显的动漫风格。第二,提出了基于局部强化感知的人像动漫化网络。根据人像场景的动漫化特点与需求,在循环一致性对抗网络中添加了基于自注意力机制的局部强化模块。该模块指导网络关注图像中的显著区域,即人脸五官,并通过注意力权重系数的加权将层归一化和实例归一化方法相结合,使得网络能对图像的不同区域做出不同的处理,灵活地控制了风格、纹理、轮廓的变化量。此外,网络使用了全卷积的结构,网络更轻量化且支持任意尺寸的图像输入,能够在对人脸五官进行高度形变的同时,保持背景的语义结构不变,向着动漫化任务的最终目标人景融合迈进。第三,设计并实现了一个影像动漫化平台系统。该平台利用本文所提出的场景动漫化网络和人像动漫化网络,为用户提供图像、视频动漫化转换服务。