深度学习之风格迁移（一）——Neural Style(Gatys)

本文介绍一个酷炫的深度学习应用：风格迁移。作者Gatys等人在2015年提出基于神经网络的风格迁移算法[1]，随后发表在CVPR 2016上[2]。斯坦福大学的Justin Johnson（cs231n课程的主讲人之一）给出了Torch实现neural-style([3])。

Figure.1. 内容重构与风格重构

内容重构content reconstruction

给定一张图片$\vec p$和训练好的卷积网络，那么在每层可以得到多个feature map，个数取决于每层滤波器的个数$N_l$。我们把个feature map向量化，得到大小为$M_l$的向量。把每一层的$N_l$个特征向量保存到矩阵$F^l\in \mathbb R^{N_l\times M_l}$中，其元素$F_{ij}^l$表示第$l$层的第$i$个滤波器在位置$j$上的激活响应。
现在指定一层的特征表示，希望生成一张新的图片$\vec x$使其在该层的特征表示$P^l$等于原特征表示$F^l$（内容匹配）。定义损失函数如下：