|
[1]
|
新华社. 中共中央办公厅 国务院办公厅印发《关于推进实施国家文化数字化战略的意见》[EB/OL].
https://www.gov.cn/xinwen/2022-05/22/content_5691759.htm?eqid=ca6bbf9a0001492900000006647602bc, 2022-05-22.
|
|
[2]
|
周曼, 信晓瑜, 张辉, 等. 柯尔克孜族花毡图案在线设计系统开发[J]. 毛纺科技, 2022, 50(9): 61-66.
|
|
[3]
|
米高峰, 王少杰. 中华传统文化传承与国产动画艺术传播[J]. 青年记者, 2018(11): 76-77.
|
|
[4]
|
毛新康, 米高峰. AI赋能数字媒体艺术的发展与思考[J]. 媒体融合新观察, 2021(1): 58-60.
|
|
[5]
|
易苗苗. 中国柯尔克孜民族装饰纹样艺术的文化解析[J]. 染整技术, 2018, 40(6): 48-51.
|
|
[6]
|
阿地里∙居玛吐尔地. 中国柯尔克孜族[M]. 银川: 宁夏人民出版社, 2012.
|
|
[7]
|
罗娇. 柯尔克孜族刺绣纹样的特征及创新应用[D]: [硕士学位论文]. 无锡: 江南大学, 2021.
|
|
[8]
|
潘云鹤. 智能CAD方法与模型[M]. 北京: 科学出版社, 1997.
|
|
[9]
|
黄琦, 孙守迁. 产品风格计算研究进展[J]. 计算机辅助设计与图形学学报, 2006, 18(11): 1629-1636.
|
|
[10]
|
秦臻, 季铁, 刘芳, 等. 基于民族图案基元可拓语义的产品设计方法[J]. 计算机辅助设计与图形学学报, 2021, 33(10): 1595-1603.
|
|
[11]
|
Goodfellow, J., Abadie, J.P., Mirza, M., et al. (2014) Generative Adversarial Networks. arXiv: 1406.2661.
https://arxiv.org/abs/1406.2661
|
|
[12]
|
刘淼, 王晨月. GAN技术在传统竹编元素生成中的设计[J]. 包装工程, 2020, 41(20): 34-40.
|
|
[13]
|
邓正根, 吕健, 王帅, 等. 基于StyleGAN的草图生成产品设计效果图方法研究[J/OL]. 包装工程: 1-10.
http://kns.cnki.net/kcms/detail/50.1094.tb.20220816.0837.002.html, 2023-03-27.
|
|
[14]
|
何文泽. 基于生成式对抗网络的民族图案生成研究[D]: [硕士学位论文]. 长春: 吉林大学, 2022.
|
|
[15]
|
董荪, 丁友东, 钱昀. 基于人工智能的风格迁移算法在动画特效设计中的应用[J]. 装饰, 2018(1): 104-107.
|
|
[16]
|
陈捷, 徐戈. 风格迁移算法在漆艺文创品设计中的运用[J]. 装饰, 2020(3): 82-85.
|
|
[17]
|
Karras, T., Laine, S. and Aila, T. (2019) A Style-Based Generator Architecture for Generative Adversarial Networks. Proceedings of the IEEE/CVF Conference on Com-puter Vision and Pattern Recognition, Long Beach, 15-20 June 2019, 4396-4405. [Google Scholar] [CrossRef]
|
|
[18]
|
Karras, T., Laine, S., Aittala, M., et al. (2020) Analyzing and Improving the Image Quality of StyleGAN. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, Seattle, 13-19 June 2020, 8107-8116. [Google Scholar] [CrossRef]
|
|
[19]
|
Karras, T., Aittala, M., Hellsten, J., et al. (2020) Training Generative Adversarial Networks with Limited Data. Advances in Neural Information Processing Systems, 33, 12104-12114.
|
|
[20]
|
Radford, A., Kim, J.W., Hallacy, C., et al. (2021) Learning Transferable Visual Models from Natural Language Supervision. International Conference on Machine Learning, 18-24 July 2021, 8748-8763.
|