A Neural Algorithm of Artistic Style 阅读（三）

五、实验结果分析

上图是对于同一张街景图下，多个风格的转换。可以看到这篇文章的一个致命缺点，就是速度很慢。因为是对输入图像就进行调整，所以没生成一张图像就要重新进行训练，虽然现在可以多个GPU训练，但是也不可能在几秒中之内得到结果。所以之后会不断地出现文章在速度方面的追求。很直观的理解就是训练好网络以后，通过前馈神经网络直接生成图片。

上图是在不同参数情况下的结果。

从左到右，α/β的比值逐渐增大，从损失函数中可以看出，content loss的权重逐渐增大，而style loss的权重逐渐减小，在生成图像的过程中，会更倾向于保持content image的内容，所以可以看到，每一行的最后一张的原图信息最为明显。

从竖直方向看，风格误差包含较高的卷积层如CONV5_1反而会有更好的视觉效果，更加平滑。我个人人为的原因是，若使用低层次的卷积层提取纹理信息，style image的细节会很突出，边缘等的变化也会非常明显，会给人的视觉上造成较为突出的感觉，自然会感觉不够舒服、不够真实。

最终达到的效果如下图：

 

六、总结

总体而言，文章很厉害，能够敏锐的发觉到这个领域，开山之作。但是还是有不足之处。在arxiv上的文章前半篇都不太有干货，一直在讲虚的东西，稍微也有一些夸大文章的作用。而速度太慢也是这篇文章的一个致命缺点，所以接下来，会对另一篇real-time的文章进行学习。