论文总结-Perceptual Losses for Real-Time Style Transfer and Super-Resolution

读论文学算法

Perceptual Losses for Real-Time Style Transfer and Super-Resolution 

论文作者：Justin Johnson, Alexandre Alahi, Li Fei-Fei

1 综述

现阶段存在的问题：

1.图像风格转移使用Feed-forward Convolutional Neural Network in a Supervised Manner, 且使用Per-Pixel Loss，此方法在运行时间上很有优势，但是只能提取到浅层次的特征，而无法提取到深层次的全局特征，perceptual similarity might be ignored.

2. 现阶段使用Perceptual Loss进图像深层次风格转移的方法，效果可以接受，但是运行时间太慢，因为需要解决优化问题，且从随机噪声图开始优化（Gatys论文中需要以小时计算的运行时间）。

论文目标：能够使图像风格转移任务快速且高质量的完成。

解决手段：结合两种方法，使用前馈卷积神经网络对perceptual loss进行优化并产生图像,图像不是由随机噪声生成，而是由Input Image变换而成，perceptual loss是基于Gatys论文中的方法得到。

2 相关工作

相关神经网络架构： 本论文相关的前馈神经网络架构是基于“Deep residual learning for image recognition. ”以及 “Training and investigating residual nets..”两篇论文。