草图简化是插画和漫画中一个重要步骤,许多艺术家在创作的第一步往往是绘制草图,紧接着是一系列冗余耗时的根据草图提炼线稿的过程。在早期,由于栅格草图的情况复杂难度较大,草图简化工作主要针对矢量图形。近几年一些研究人员将深度学习应用于简化栅格草图的工作上,并取得了不错的效果。尽管如此,简化极其粗略的草图仍然具有挑战性。本文发现用简单损失函数训练的简单网络在简化一幅非常粗略和复杂画作的时候,无法在简化大尺度粗略线条的同时又保留语义上有意义的细节。本文发现对于这种结果图和输入图有明显不同的任务,特征级损失函数是更好的选择,VGG网络常被用作特征提取网络。但是如何选择合适的VGG特征层来构造损失函数通常都是随任务而变化的,至今为止并没有相关工作说明如何选择VGG特征层,以及选择VGG特征层的数量。本文另一个工作是动画特效迁移,动画特效作为动画制作流程中必不可少的后期环节,制作成本和可重用性非常地高,如果可以把某种场景的特效迁移到另一个需要这种特效的场景,可以省去许多后期工作。目前并没有动画特效迁移的相关工作和研究,本文总结动画特效迁移的难点,并针对各个难点设计了一个深度感知网络。针对这些问题,提出了以下贡献:(1)本文提出了一个精心设计的多层感知损失函数,并与融合多层VGG16特征层的鉴别器整合在一起,来区分草图和简洁线条。融合特征层中使用的权重通过自动学习智能调整机制获得。(2)本文提出了一个基于深度感知注意力机制的级联动画特效迁移网络,该网络既能感知特效种类来调整通道权重,又能感知特效的位置。(3)本文提出了一个包含不同草图类型、不同线条难度,能够适应不同光照条件和图片分辨率的草图简化数据集。(4)本文提出了一个包含不同特效类型、不同尺度大小,能够涵盖大部分特效类型的动画特效数据集。