图像风格迁移

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_24477135/article/details/85260020

图像风格迁移是一件比较有意思的事情，比如下图：

将一张建筑图片转变成不同风格的艺术图片。在原文中是这样实现的：

整个实现需要一张风格图和一张内容图，输入还需要另外的一张白噪声图片，作为最后生成的风格迁移图像的载体输出。上图左边是风格图片的输入，通过VGG19或者VGG16网络提取风格图片的风格表示（style representation）或者说风格特征，在五层卷积层都需要计算并存储。VGG19或VGG16网络的五部分卷积，中间以池化层作为分割，每部分又有两到四次的卷积操作。计算是在每部分的某一层计算。中间是输入的白噪声图片，其风格特征style features  和 内容特征content features 被计算和保存。每一层都需要计算和的元素平均平方差（element-wise mean squared difference）,总的风格损失就是上图中的。右图是内容图片的输入，内容损失函数是计算和之间的均方误差损失（mean squared difference），具体是取某一部分卷积的某一层的内容特征作为，比如上图中的conv4_3.整体的损失函数是风格损失和内容损失的线性组合。

具体来说：

内容损失函数计算如图：

其中p代表原始图像，x代表生成的图像（输入为白噪声），l为层数。  表示生成图像的第l层卷积后第i个过滤器的第j个特， 是原始输入的内容图像的信息。第l层有 个卷积核（过滤器），每个特征图像的长*宽为.

风格特征的相关性由Gram矩阵给出，具体为：

是的內积。其他计算公式为：

参考资料：

1、Image Style Transfer Using Convolutional Neural Networks