作者|dhwani mehta
编译|Flin
来源|medium
图像风格化是近几十年来研究的一种图像处理技术，本文旨在展示一种高效新颖的风格注意力网络（SANet）方法，在平衡全局和局部风格模式的同时，保留内容结构，合成高质量的风格化图像。
风格迁移机制概述
有没有想象过如果由杰出的艺术家来制作照片，照片看起来会怎样？任意风格迁移通过将内容图像（目标图像）与风格图像（其纹理即画笔描边，角度几何形状，图案，颜色过渡等需要绘制到内容图像的图像）混合，从而将其变为现实，以生成第三幅从未见过的图像。
新颖的SANet风格迁移方法
任意风格迁移的最终目标是实现概括性，并保持质量和效率。
在平衡全局和局部风格模式以及由于以下原因而保留内容结构：
- 使用学习的相似性内核而不是固定的内核
- 使用基于软注意力的网络代替硬注意力进行风格装饰
- 在训练过程中避免失去特征，以保持内容结构而又不损失风格的丰富性
使用SANet进行任意风格迁移的构建块
整个风格迁移机制可以总结如下：
让我们逐步了解整个体系结构，最后获得全方位的概览。
全面的SANet架构
让我们尝试解开整个架构，以更好地了解：
- 编码器解码器模块
- 风格注意力模块
- 损失函数的计算
编码器-解码器模块
解决风格迁移问题的最重要步骤是编码器-解码器机制。预训练的VGG-19网络对一个图像进行编码，形成一个表示形式，然后传递给解码器，该解码器尝试将原始输入图像重新构造回去。
风格注意力模块
SANet体系结构将来自VGG-19编码器的内容和风格图像的输入作为特征图，并对其进行规范化后，转换为特征空间，以计算内容和风格特征图之间的关注度。
损失函数的计算
预训练的VGG-19用于计算损失函数，以便按以下方式训练解码器：
完整的损失计算公式
关于内容和风格损失计算的一个构想：
SANet中内容和风格损失组件的计算概述
特征损失的计算
由于具有新颖的特征损失功能，SANet体系结构能够保留内容结构并丰富样式模式。
SANet中特征损失计算的概述
计算相同输入图像在没有任何风格空白的情况下的损失，使得特征损失同时实现内容结构和风格特征的维护。
结论与结果
实验显然表明，使用SANet进行风格迁移所获得的结果将解析各种风格，
例如全局颜色分布，纹理和局部风格，同时保持内容的结构。同样，SANet在区分内容结构和与每个语义内容相对应的迁移风格方面也很有用。因此可以推断出，SANet不仅在保持内容结构方面很有效，而且在保留风格结构特征方面也很有效，并且可以轻松地融合风格特征，从而丰富了全局风格和局部风格统计信息。
参考文献
[1]朴大英和李光熙。“通过关注风格的网络进行任意风格的迁移。” IEEE计算机视觉与模式识别会议论文集。2019。
[2] Gatys，Leon A.，Alexander S. Ecker和Matthias Bethge。“使用卷积神经网络进行图像风格迁移。” IEEE计算机视觉和模式识别会议论文集。2016。
[3] Huang，Xun和Serge Belongie。“通过自适应实例标准化实时进行任意风格迁移。” IEEE国际计算机视觉会议论文集。2017。
[4]李一军，等。“通过特征转换实现通用风格迁移。” 神经信息处理系统的研究进展。2017。
[5]盛路，等。“头像网：通过特征装饰进行多尺度零镜头风格转移。” IEEE计算机视觉与模式识别会议论文集。2018。
原文链接：https://medium.com/visionwiza...
欢迎关注磐创AI博客站：
http://panchuang.net/
sklearn机器学习中文官方文档：
http://sklearn123.com/
欢迎关注磐创博客资源汇总站：
http://docs.panchuang.net/
