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