开头人像卡通化这几年一直是个热门玩法从朋友圈的头像到各类内容的封面大家都喜欢把自己的照片变成动漫风格。但很多在线工具要么有次数限制要么分辨率低要么风格固定。于是我自己动手做了一个本地的“人像卡通化 Web 系统”核心算法用 DCT-Net前端用 Gradio 写了个可视化页面传一张照片进去几秒钟就能出结果而且支持本地部署完全离线运行。这篇文章就是把我从零到一搭建这个系统的完整过程、关键代码、踩坑记录都写出来希望能帮到想自己搞一套卡通化 Web 系统的朋友。这篇文章适合两类人一类是刚接触图像生成/风格迁移想做点有成就感的小项目另一类是已经跑通过一些开源模型但还没做成 Web 服务的开发者。我会先讲清楚 DCT-Net 的核心思路再带你把环境、推理脚本、 Gradio 页面、部署方案一步步搭起来过程中会穿插一些我在实际调试中遇到的坑和对应的解决方案。文章最后还会给出一版可以直接跑的代码结构你照着填上模型路径就能用。1. 项目全景与核心思路1.1 我们要做的东西是什么简单说这是一个输入人像照片、输出卡通化人像的小型 Web 应用。你可以通过浏览器上传图片系统调用本地的 DCT-Net 模型完成风格迁移再把结果回传显示在页面上。整个系统不依赖任何云端 API所有推理都在本机完成所以没有外部接口调用费用也不需要担心原始图片被上传到第三方服务器。和那些在线卡通头像网站相比自己做这套系统的价值主要体现在三点完全可控模型、预处理逻辑、后处理逻辑、UI 样式全部在自己手上想改哪里改哪里。可批量处理Gradio 本身就支持队列处理把这个系统接到一个本地文件夹里就能实现批量卡通化。便于二次开发DCT-Net 的输出不只是一张图片你还可以取中间层特征做表情迁移、人脸属性编辑等衍生玩法。如果只是临时用一两次去在线工具就够了但如果你在做一个内容创作工具、视频预处理工具或者想深入研究风格迁移那必须自己搭一套。1.2 为什么选择 DCT-Net 与 Gradio先说算法。人像卡通化的技术路线很多早期有传统图像滤波加边缘增强的做法后来有了 CycleGAN、CartoonGAN 这类生成对抗网络。但实际体验下来会发现很多模型要么把人脸结构改得面目全非要么只能在特定数据集上有效果换个人种或者换个光照条件就崩。DCT-Net 的出发点正是解决这些问题它在风格转换的同时引入了域校准机制让人像的五官结构、表情轮廓在卡通化后依然能认得出来。再说工具。Gradio 是我用过最适合做 AI 演示页面的库之一不需要懂 HTML、CSS、JavaScript只需要写 Python 就能生成一个像模像样的交互界面。它支持图片上传、拖拽、示例加载、日志展示还自带了排队机制用起来很顺手。而且 Gradio 推出的 Blocks 模式比早期 Interface 灵活得多可以自定义布局、多输入输出、交互回调事件正好满足我们这种“上传一张图、显示结果图”的需求。1.3 整体技术架构这个系统的核心链路是这样的输入层Gradio 接收用户上传的图片文件。预处理层将图片 Resize 到模型期望的尺寸并进行归一化、通道序调整。推理层加载 DCT-Net 模型在前向传播中获得风格迁移后的结果。后处理层将输出张量转换为图像格式做必要的去归一化、去噪、颜色恢复。展示层Gradio 把处理后的图像渲染到页面上并提供“保存结果”的按钮。模型文件单独放在models/目录里代码和模型分离方便切换不同的训练权重。页面的所有逻辑都集中在app.py一个文件里但推理部分我单独拆成inference.py这样将来想接命令行工具或者 API 服务时就不用动 UI 代码。2. DCT-Net 算法原理深度拆解2.1 传统风格迁移的痛点在讲 DCT-Net 之前先提一个实际问题。普通的图像风格迁移网络比如基于 VGG 特征的神经网络风格迁移它能学到的“卡通感”往往是颜色分布和纹理走向但对人脸内部结构不够敏感。导致的结果是眼睛变得一大一小、嘴巴位置偏移、脸型完全改变这种结果用在头像上很违和。而 GAN 类卡通化方案比如 CartoonGAN优势是生成图像更自然但缺点是稳定性差训练时需要大量的成对数据。所谓成对数据就是同一张人脸的原始照片和对应卡通图这种数据根本不存在只能依赖人工绘制成本非常高。后来大家用 CycleGAN 做无监督转换但 CycleGAN 在细节保持上有天然弱势尤其是人脸这种高频信息多的区域。2.2 DCT-Net 的核心设计思路DCT-Net 采用了一种更聪明的做法不去学“从照片直接到卡通图”的映射而是把过程拆成“内容保持”和“风格校准”。具体有以下几点值得拿出来说第一它使用预训练的人脸识别网络作为特征提取器保证生成结果在身份特征上不会跑偏。这种做法相当于给人脸内容上了一道“保险锁”不管你风格怎么变关键点之间的相对位置不能乱。第二网络引入了域校准模块。简单理解就是让模型同时看到“真实人脸”和“卡通人脸”两个域的信息通过一个可学习的校准向量把两者拉到一个中间空间再在这个中间空间里做转换。这样做的好处是即便你的输入照片来自一个没见过的场景模型也能克制地选择更合适的卡通风格表达。第三整个网络包含生成器、判别器、内容保持模块和域校准模块。生成器负责转换判别器负责判断输出是“真实风格”还是“伪造风格”内容保持模块用于保证身份信息域校准模块用于增强风格的可控性。它不是随便把几个模块堆起来而是对不同模块设了不同的损失权重。比如内容损失权重通常高于风格损失权重这样才不会为了追求卡通感而丢掉五官。这个设计思路对我们写代码也有启发如果你也自研一个模型务必把损失函数拆开不要只用一个感知损失。2.3 如何拿到可用的预训练模型自己从零训练 DCT-Net 的成本太高普通个人根本凑不齐数据也跑不起那么大的训练任务。所以我的建议是直接用开源社区提供的预训练权重。常见的开源实现主要分为 PyTorch 版本和 Paddle 版本两种我都试过最终选的是 PyTorch 版本。选择版本时有几个判断标准权重文件大小是否合理一般几百 MB 以内。是否提供了完整的推理代码而不是只有模型结构。是否自带人脸检测模型方便后续在输入时自动裁剪人脸。README 里是否写清楚了输入图像的尺寸范围、归一化方式。我把下载好的权重放到models/目录下并整理成下面的结构models/ dctnet_generator.pth face_detector/在实际工程中模型加载部分尽量写成一个独立的类不要散落在全局变量里。因为在 Web 场景下Gradio 可能会并发处理多个请求如果模型加载逻辑里有重复初始化很容易内存溢出。3. 系统环境准备与依赖安装3.1 需要准备什么我是在一台普通开发机上完成的这套系统配置如下仅供参考操作系统Ubuntu 20.04 和 Windows 11 都跑通过代码层面没有强制系统差异。GPUNVIDIA 显卡显存 6GB 以上就行如果没有 GPU 也能跑只是慢很多。Python 版本3.9 或 3.10。基础依赖PyTorch、Gradio、opencv-python、numpy、Pillow、torchvision。如果你用的是 NVIDIA 显卡建议先安装 CUDA 版本的 PyTorch而不是默认的 CPU 版本。我一开始为了省事直接pip install torch结果速度慢到让人崩溃一张 512x512 的图跑 20 多秒换成 CUDA 版本后基本能压到 1 秒以内。3.2 安装依赖先创建一个虚拟环境避免污染系统 Python。我习惯用 conda但你用 venv 也行。conda create -n cartoon python3.9 conda activate cartoon然后安装 PyTorch。这里给出一个通用的安装指令具体的 CUDA 版本号要根据你显卡驱动版本确定。pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118接着安装其他依赖pip install gradio opencv-python numpy pillow运行pip list确认依赖列表里这几个包都出现了。我在实际安装时踩过一个坑opencc和opencv-python名字很像如果不小心装错包后面图像读取会报module cv2 has no attribute imread这类错误所以安装完最好立刻在 Python 里验证一下import cv2。3.3 模型文件准备下载模型时注意两点一是确认下载的是带完整参数的state_dict而不是随机初始化的模型结构二是记录好模型的输入尺寸DCT-Net 的推理多数是 512x512但有些实现是 256x256具体看模型描述。如果你的下载来源是一个压缩包先解压到一个固定目录。建议在项目根目录下新建一个scripts/download_model.py把下载逻辑固化进去这样换机器部署时不需要手动复制一遍模型文件。下面是一个参考脚本片段# scripts/download_model.py import os import shutil from zipfile import ZipFile # 假设你已经把模型压缩包放在 ./downloads 目录下 source_zip downloads/dctnet_weights.zip target_dir models with ZipFile(source_zip, r) as zf: zf.extractall(target_dir) # 简单的文件检查 expected_files [dctnet_generator.pth, face_detector/face_detect.onnx] for f in expected_files: if not os.path.exists(os.path.join(target_dir, f)): raise RuntimeError(f模型文件缺失: {f}) print(f验证通过: {f})模型放好后最好先用一段小的测试图片跑一遍官方推理脚本确认模型能正常输出。这一步很重要能提前把“模型路径不对”“归一化错误”“张量维度不对”这类问题隔离开避免后面 Gradio 页面写好了再回去查模型。4. 手把手实现核心推理模块4.1 设计一个可复用的推理类开发 Web 应用最忌讳把逻辑全放在一个函数里。我习惯把推理部分封装成一个类这样 Gradio 调用时只需创建一个实例后续多次调用都复用同一个对象不用每次重新加载模型。下面是一个典型实现框架假设你拿到的是 PyTorch 版本的 DCT-Net这里使用伪代码风格展示关键点你可以替换成自己模型对应的函数名。# inference.py import cv2 import numpy as np import torch from torchvision import transforms class DCTNetInference: def __init__(self, model_path, deviceNone): self.device device if device is not None else ( torch.device(cuda) if torch.cuda.is_available() else torch.device(cpu) ) self.model self._load_model(model_path) self.to_tensor transforms.Compose([ transforms.ToTensor(), transforms.Normalize([0.5], [0.5]), ]) def _load_model(self, model_path): # 这里替换成你的模型类名和加载方式 model DCTNetGenerator() # 示例实际以模型实现为准 state_dict torch.load(model_path, map_locationself.device) model.load_state_dict(state_dict) model.to(self.device) model.eval() return model torch.no_grad() def process_image(self, image_path): # 读取图片 img_bgr cv2.imread(image_path) img_rgb cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB) # Resize到模型输入尺寸注意保持比例或直接强制缩放 target_size (512, 512) img_resized cv2.resize(img_rgb, target_size, interpolationcv2.INTER_AREA) # 归一化 input_tensor self.to_tensor(img_resized).unsqueeze(0).to(self.device) # 前向传播 output_tensor self.model(input_tensor)[0] # 转换回图像 output_array output_tensor.cpu().detach().numpy() output_array np.transpose(output_array, (1, 2, 0)) output_array (output_array * 0.5 0.5) * 255.0 output_array np.clip(output_array, 0, 255).astype(np.uint8) return output_array这里有两个容易出错的小点。第一cv2.imread读进来是 BGR如果直接传入模型颜色会偏蓝。第二归一化时如果官方模型用的是[0,1]区间而你没做对应调整输出图会偏暗。最好是在写进代码前先用一张测试图把官方仓库的预处理代码对着看一遍。4.2 关键参数调优模型推理参数虽然不像训练那样复杂但有几个地方非常影响最终效果。第一个是尺寸策略。DCT-Net 的输入尺寸一般固定为 512。如果你的原图很大比如 2000x3000直接缩到 512 会导致人脸特征变模糊卡通化后缺少细节。我的做法是先用 OpenCV 的人脸检测器检测人脸区域把人脸裁剪出来并 resize 到 512推理完成后再把人脸区域贴回原图的对应位置。这样既能保证人脸细节又能保留原图分辨率。第二个是颜色保持。有些模型的输出会有一种灰蒙蒙的感觉这是因为归一化后的输出范围没有映射正确。抓了 DCT-Net 的实现后你会发现很多开源模型的输出层激活函数是 Tanh值域在[-1, 1]所以后处理一定要记得先映射到[0, 1]或者[0, 255]很多新手在这里出错。第三个是平滑度。原图人脸如果皮肤纹理很重卡通化结果会残留噪点。可以在后处理时加一个快速的降噪处理但注意不要过度模糊否则头发边缘会产生白边。4.3 人脸检测与对齐严格来说DCT-Net 并不一定需要额外的人脸对齐但如果输入图是多人合影或者人很小直接整图推理效果往往不行。我在这套系统里加入了一个可选的人脸检测模块先做检测如果检测到人脸且人脸占比超过一定阈值就整图推理如果人脸占比过小就截取人脸区域推理然后把结果贴回原位置。人脸检测用 OpenCV 的 Haar 或 DNN 模型都行。我用的是一种轻量级 ONNX 人脸检测模型推理速度非常快几乎不影响整体耗时。人脸检测模块的启用开关放在 Gradio 界面上默认关闭方便调试。5. 用 Gradio 搭建 Web 前端5.1 Gradio 的两种写法Interface 与 BlocksGradio 提供两种主要 API。最简单的Interface适合单输入单输出的场景几行代码就能跑起来gr.Interface(fnprocess_image, inputsgr.Image(typefilepath), outputsgr.Image(), title人像卡通化).launch()但我们的页面还需要一些控制项比如“是否启用人脸检测”“强度调节”等此时Blocks更合适。它像搭积木一样可以按任意顺序放置组件、控制事件流。我最终选用了Blocks因为后续想加一个“批量处理”按钮时会更方便。5.2 页面布局设计页面布局我做了上下结构顶部放标题和说明下面分两列左边是上传区右边是结果展示区。底部放一行按钮包括“卡通化”“清空”“保存结果”。Blocks的写法大致如下import gradio as gr def cartoonize(input_img, enable_detection): # 调用推理类 result predictor.process_with_detection(input_img, enable_detectionenable_detection) return result with gr.Blocks(title人像卡通化 Web 系统) as demo: gr.Markdown(# 人像卡通化 Web 系统\n上传人像照片点击卡通化即可生成风格化结果) with gr.Row(): with gr.Column(): input_image gr.Image(typefilepath, label上传人像) enable_detection gr.Checkbox(label启用人脸检测增强, valueFalse) run_button gr.Button(卡通化) with gr.Column(): output_image gr.Image(typenumpy, label卡通化效果) run_button.click(cartoonize, inputs[input_image, enable_detection], outputsoutput_image)注意gr.Image(typefilepath)和gr.Image(typenumpy)的区别。前者传给回调函数的参数是文件路径后者是 numpy 数组。在于预处理上我建议统一使用filepath因为 DCT-Net 推理内部要用 OpenCV 打开图片路径字符串最方便。5.3 事件机制与排队控制Gradio 的按钮点击事件可以通过click绑定。如果页面同时被多人访问默认会排队执行每个请求依次处理避免显卡内存爆掉。你可以在launch()时设置max_threads也可以让回调函数在队列中串行执行。如果想要一个“处理中”的过渡效果可以修改按钮的variant属性比如在回调开始时设置gr.update(variantloading)处理结束后恢复。这个小细节能让页面体验更好。6. 完整源码结构与启动流程6.1 项目目录说明所有代码必须足够清晰下面是我最终整理好的目录结构portrait-cartoon-web/ app.py # Gradio 入口 inference.py # DCT-Net 推理封装 utils/ face_detector.py # 人脸检测增强逻辑 image_utils.py # 图像读写、后处理工具 models/ dctnet_generator.pth face_detector/ requirements.txt README.mdapp.py负责启动服务、绑定回调inference.py负责模型加载与推理utils/目录放一些通用的辅助函数。这样三层分离的好处是哪怕某一天你不用 Gradio 了想把推理能力封装成 FastAPI 接口也可以直接复用inference.py不用改里面的任何逻辑。6.2 入口文件详解这里给出app.py的完整骨架import gradio as gr from inference import DCTNetInference # 全局初始化保证模型只加载一次 predictor DCTNetInference(models/dctnet_generator.pth) def cartoonize_image(input_path, enable_face_detect): # 如果启用人脸检测则调用带检测的接口 if enable_face_detect: result predictor.process_with_face_detection(input_path) else: result predictor.process_image(input_path) return result def main(): with gr.Blocks(title人像卡通化 Web 系统) as demo: gr.Markdown(## 人像卡通化 Web 系统) with gr.Row(): with gr.Column(): input_image gr.Image(typefilepath, label上传人像照片) use_face gr.Checkbox(label启用人脸检测增强, valueTrue) btn_run gr.Button(开始卡通化) with gr.Column(): output_image gr.Image(typenumpy, label结果) btn_run.click( cartoonize_image, inputs[input_image, use_face], outputsoutput_image, ) demo.launch(server_name0.0.0.0, server_port7860, shareFalse) if __name__ __main__: main()启动命令就是python app.py默认在http://127.0.0.1:7860打开页面。这里server_name一定要设置为0.0.0.0否则局域网内其他设备访问不到。如果你只想本机测试可以保持127.0.0.1。6.3 启动与访问 Web 页面启动后终端会显示两条地址一条是本地地址另一条如果是127.0.0.1:7860直接用浏览器打开即可。如果是在云服务器上部署要放行对应端口的安全组规则否则外部访问超时。启动成功后会看到一条 Gradio 的服务提示信息。如果出现Address already in use说明端口被占用了换一个端口即可。实际使用时我会在代码里判断端口是否被占用如果占用就自动加一这个小逻辑可以在启动脚本里加上import socket def is_port_open(port): with socket.socket(socket.AF_INET, socket.SOCK_STREAM) as s: return s.connect_ex((127.0.0.1, port)) 0 port 7860 while is_port_open(port): port 1这样就不会因为端口冲突一直报错。7. 从本地开发到部署上线7.1 局域网共享与公网共享Gradio 的shareTrue参数可以生成一个临时公网地址方便远程演示。不过这个地址依赖 Gradio 的共享服务速度不稳定而且存在隐私风险不适合正式使用。如果是部署到自己的服务器需要反代到 Nginx 或者 Caddy把 Gradio 端口暴露到 80 或 443同时配置好 WebSocket 支持否则页面交互可能有问题。如果你的目标只是让局域网内的朋友试用直接在app.py里设置server_name0.0.0.0然后在同一局域网的另一台设备访问http://你的局域网IP:7860即可。要注意 Windows 防火墙设置最好主动允许 Python 通过专用网络。7.2 Docker 部署方案为了让环境更干净我用 Docker 打包过这个系统。Dockerfile 的大概内容如下FROM pytorch/pytorch:2.0.0-cuda11.8-cudnn8-runtime WORKDIR /app COPY requirements.txt . RUN pip install -r requirements.txt COPY . . EXPOSE 7860 CMD [python, app.py]构建时需要把 model 文件一起复制进镜像否则容器里没有权重。如果你的镜像体积太大可以用.dockerignore排除掉一些临时目录但千万别把models/忽略掉。容器启动命令docker build -t cartoon-web . docker run -d -p 7860:7860 --gpus all cartoon-web用 Docker 部署的好处是换机器时不用重新配置 CUDA、Python 环境但坏处是首次构建很慢而且模型文件会增大镜像体积。适合团队内部交付不适合个人随手跑一下。7.3 性能优化在 Web 场景下推理速度直接影响用户体验。我的优化顺序是这样的先把模型切成半精度推理。如果权重支持 FP16在加载模型后执行model.half()推理速度能提升 40% 左右显存占用也会明显下降。但注意如果模型里有某些算子不支持半精度需要回退到 FP32。其次启用torch.no_grad()避免计算图保存中间激活值这个必须在推理函数内部加上否则显存会被慢慢撑爆。再次控制并发数。Gradio 的默认并发是 4但显卡如果只有 6GB 显存两个并发就可能 OOM。我一般把max_threads设置为 1或者直接用queue(default_concurrency_limit1)让任务排队执行。这样虽然一次只能处理一个请求但稳定性远超并发执行。最后优化前端图片传输。大图片上传后如果直接传给模型会浪费大量 CPU 在做 resize 上。可以在前端用gr.Image的shape参数限制上传尺寸比如限制为 1024x1024再交给后端处理。这样前端和后端的带宽压力都小很多。8. 常见问题与排查技巧实录8.1 模型加载慢或加载失败症状app.py启动后长时间卡住或者报KeyError。排查步骤先确认模型路径是否正确。最简单的办法是在__init__里加一行打印把模型文件的绝对路径打出来。确认state_dict的键是否和模型结构一致。如果手动改过模型结构比如换了生成器里某个卷积核数量加载旧权重就会失败。此时要保证本地模型结构和权重来源一致。如果加载时间过长可能是模型文件放在机械硬盘上读文件较慢。可以把模型文件移到项目目录下或者换 SSD。8.2 输出图整体偏暗或偏色这个问题的根源基本都在后处理转换。DCT-Net 的输出通常是 Tanh 激活值域在[-1, 1]。如果直接用astype(np.uint8)负数会被截断变成 0图片当然偏黑。正确做法是output (output_tensor.cpu().numpy() 1.0) / 2.0 # [-1,1] - [0,1] output (output * 255).clip(0, 255).astype(np.uint8)另外注意 OpenCV 和 PIL 的颜色通道顺序问题。有段时间我输出花屏找了半天发现是 BGR 与 RGB 颠倒了。可以在cv2.cvtColor再转回来。8.3 显存不足CUDA out of memory如果单张图片推理没问题但连续处理多张就 OOM多半是并发请求太多或者推理时没有释放中间变量。检查一下inference.py的推理函数是否设置了with torch.no_grad()。如果显存实在不够就把输入尺寸从 512 改成 384或者使用 CPU 推理。CPU 推理虽然慢但胜在稳定单人使用时完全能接受。8.4 上传图片后页面无响应页面无响应通常不是模型问题而是 Gradio 回调函数抛出异常。默认情况下 Gradio 会把异常打印在终端但页面会一直转圈。建议在回调函数外包裹一个简单的 try-except把错误信息显示到页面里def cartoonize_image(input_path, enable_detection): try: return predictor.process_image(input_path, enable_detection) except Exception as e: # 显示错误信息 raise gr.Error(f处理失败: {e})这样至少能看到具体报错而不是无限等待。8.5 常见问题速查表现象可能原因解决方案模型加载报 KeyError权重和网络结构不匹配重新下载同版本权重确认网络结构代码版本输出全黑后处理未从 [-1,1] 映射到 [0,1]检查激活函数映射代码输出偏绿偏紫通道顺序错乱检查 cv2 与 PIL 的 RGB/BGR 转换Gradio 页面打开慢首次加载模型耗时启动时预加载模型页面打开后即时可用多线程处理时崩溃模型共享但状态不隔离使用 Gradio 队列串行执行或用独立模型实例摄像头输入画面卡顿未开启硬件加速尝试设置 GPU 推理降低输入分辨率8.6 我的独家避坑心得这几条是我自己踩过之后觉得最值得分享的。第一千万别在 Gradio 回调里重新加载模型。很多人会图省事把torch.load放在cartoonize_image函数里面每点一次按钮就加载一次模型。小图可能看不出问题但跑几次之后就 OOM 了。正确做法是在全局实例化一个预测器所有请求共享一份模型参数。第二调试阶段不要直接跑 Web 页面。先用一个test.py脚本传一张固定图片输出结果并保存到本地确认算法模块没问题之后再去接 Gradio。这样可以避免很多“你以为前端错了实际是后端错了”的无效排查。第三如果你加入了人脸检测增强一定要处理“检测不到人脸”的情况。我最初实现时一旦检测器找不到人脸就抛异常导致页面崩溃。后来改成了检测不到就直接整图推理再在后面日志里打印一行提示体验好了很多。第四日志打印要有节操。在 Web 服务里不要每处理一张图就把整张图的数组print出来那会刷爆终端。我习惯只打印耗时和尺寸等元信息print(f[INFO] 耗时: {elapsed:.2f}s, 输入尺寸: {w}x{h})这个习惯在排查性能瓶颈时特别有用。最后再分享一个小技巧如果你想让卡通化效果更符合“二次元”审美可以在推理结束后做一点轻量的色调调整比如把饱和度提高 5% 到 10%对比度稍微压低一点。DCT-Net 输出的风格本身已经很接近手绘但加这一层微调之后观感会更接近日系动画。当然这个喜好因人而异我把这个参数做成一个滑动条放在页面上从 0 到 100%默认 50%用户可以根据自己照片的类型手动调整。做完这套系统之后我的最大感受是算法本身的门槛没有想象中那么高真正花时间的是工程封装和细节打磨。从“能跑”到“好用”差的往往是那些看似琐碎的异常处理、日志、并发控制、后处理技巧。这篇文章里记录的每一步都是实操过的你照着重做一遍肯定也能搭出一套属于自己的卡通化 Web 系统。如果后续你想扩展还可以继续加“表情调节”“年龄变换”“多风格切换”底层只要换不同风格的 DCT-Net 权重就行。希望这篇记录能给你省下不少弯路。