印度尼西亚 batik 纹样生成中 CNN 架构的比较评估：系统性研究

神经风格迁移 (NST) 为印度尼西亚 batik 纹样的数字化保存和生成探索提供了计算框架；然而，现有方法主要依赖基于 VGG 的架构，其强大的风格表达能力往往以高计算和内存需求为代价，限制了在资源受限环境中的实际部署。本研究系统性地对比分析了五种广泛使用的 CNN 主干网络，包括 VGG16、VGG19、Inception V3、ResNet50 和 ResNet101，基于 245 个受控实验，结合定量指标、定性评估和统计分析，考察结构保持、风格行为与计算效率之间的权衡。结果表明，主干网络选择在结构相似性 (SSIM, p=0.83) 上不显著影响结构保持，经 ANOVA 验证，表明结构保持水平相当，而非风格质量。就此而言，ResNet 基于架构实现约 5-6 倍更快的收敛速度，保持类似的感知相似性 (LPIPS = 0.53)，且仅需 VGG 模型的 16 倍以下的 FLOPs (0.63 vs 10.12 GFLOPs)。定性分析揭示，VGG 产生更密集的绘画纹理，ResNet 偏好几何稳定性和斜纹保持，呈现较温和的风格化，Inception V3 表现为中间但噪声更大。这些发现将 NST 的架构选择从最大化风格强度转向面向效率和结构保持的部署，突出 ResNet 基于主干网络作为可扩展、面向行业的 batik 生成实用基础。