ALADIN: All Layer Adaptive Instance Normalization for Fine-grained Style Similar

ICCV 2017

Abstract

Gatys方法适应多种风格，但太慢；前馈神经网络快，但风格固定。作者提出一种适应任何风格的实时转换方法，核心为ALADIN层（自适应内容归一化），速度接近前馈方法。

Related Work

Deep generative image modeling

VAE（自动变分编码器），auto_regression model（自回归模型)，GAN（生成对抗网络），其中GAN的效果最好

Background

Batch Normalization

BN通过归一化特征图统计量简化训练，一开始是被用来加速判别器的训练，但也被发现在生成图像建模中有用

$$BN(x) = \gamma(\frac{x - \mu(x)}{\sigma(x)}) + \beta$$

其中 $\gamma$和 $\beta$是从数据中学习的仿射参数