Instance Normalization: The Missing Ingredient for Fast Stylization
Paper:
https://arxiv.org/pdf/1607.08022v3.pdf
https://arxiv.org/pdf/1701.02096.pdf
Code:https://github.com/lengstrom/fast-style-transfer
My results
不仅是风格迁移，发现最近的一些文章大多用IN，而不用BN了。
1.Aim
Swap batch normalization with instance normalization for stylization.
2. What’s the stylization
风格化的图像同时具有所选择的风格图像和原始内容图像的统计特征。（都是从一个深度卷积网络来的）
3.Method
损失函数：（其中三者都是通过一个CNN得到的统计分布）
4.Details
太多的例子样本并不好。–用较少的数据，尽早停止训练。
风格化结果的图像受到原始图像的对比度的影响。–需要考虑对比度归一化的问题（直接嵌入到architecture中）。
不对张量的每一个数据进行归一化，而只是对每一层进行做归一化很好。（即IN）
