一、技術原理與研究進展
1. 線描生成的核心技術路徑
- 傳統方法：基于邊緣檢測（如Canny算子）和形態學操作，但難以處理復雜紋理和藝術風格。
- 深度學習方法：
- 端到端生成：使用U-Net架構（如ArtLine項目）直接學習照片到線描的映射，結合自注意力機制和感知損失提升細節保留能力。
- 風格遷移：CycleGAN實現非配對數據的風格轉換，通過循環一致性損失保持內容結構。
- 條件控制：Stable Diffusion結合ControlNet，利用線稿作為條件生成漫畫風格圖像，支持實時調整參數。
2. 近三年研究突破（2022-2025）
- 無監督學習：
- 2022年IEEE CVPR論文提出幾何損失（預測深度信息）和語義損失（CLIP特征匹配），實現無配對線描生成，在復雜場景下優于傳統方法。
- 2023年金陵科技學院提出改進U-Net，通過殘差塊
)
