CVPR2021 最佳论文候选—提高图像风格迁移的鲁棒性

1

前言

该论文出自于加州大学圣地亚哥分校并收录于CVPR2021，主要是对图像风格迁移的研究。传统的方法是由预先训练的 网络提取的特征之间的相关性从而捕捉图像的视觉风格，但这种风格化质量并不稳定，当应用于来自更高级和轻量级网络（如 ）的特征时，这种风格化质量会显著降低。

通过对不同的网络体系结构进行实验，作者发现 的残差块并不适用于风格迁移。为了提高ResNet架构的鲁棒性，作者提出了一个简单而有效的解决方案，该方案基于特征激活的 变换。这种小技巧可以大大提高风格化结果的质量。

论文：https://arxiv.org/abs/2104.05623

2

图像风格化鲁棒性

2.1 预备知识

考虑一个彩色图像 ，其中 和 分别表示图像的宽和长。卷积神经网络将 映射成一组特征映射

表示从图像到 层激活张量的映射，其中 个通道具有空间尺寸为 。激活张量 的形状还可以被重新整理为 ，其中 。图像风格通常被表示为