Arbitrary Style Transfer with Deep Feature Reshuffle

最新推荐文章于 2024-08-29 07:56:04 发布

qq_36356761

最新推荐文章于 2024-08-29 07:56:04 发布

阅读量1.3k

点赞数 1

分类专栏： paper reading notes

本文链接：https://blog.csdn.net/qq_36356761/article/details/80306781

版权

该博客探讨了Arbitrary Style Transfer with Deep Feature Reshuffle的技术，旨在结合parametric和non-parametric图像合成方法的优点。通过在特征空间中进行重排操作，既保持了图像的全局风格一致性，又确保了内容图像的局部语义信息。文章介绍了如何通过reshuffle在保持Gram矩阵不变的同时优化内容和风格损失，以实现更优的风格迁移效果。

摘要由CSDN通过智能技术生成

Arbitrary Style Transfer with Deep Feature Reshuffle

Shuyang Gu, Congliang Chen, Jing Liao, Lu Yuan
University of Science and Technology of China, Peking University, Microsoft Research
https://arxiv.org/pdf/1805.04103v1.pdf

图像合成

图像合成主要分为parametric和non-parametric两种方法，这里主要讨论neural image synthesis。
parametric方法从一张噪声图像 $x$ 开始，对 $x$ 不断进行优化，使得 $x$ 的统计量（如Gram矩阵、均值方差、直方图等）与内容图像和风格图像匹配，如Neural Style。该方法能够较好地保留内容图像的结构和风格图像的整体观感，但是在局部区域会有较大程度的没有语义信息的变形，况且想找到这么一个合适的统计量也并非易事。
non-parametric通过贪心搜索内容图像中与风格图像相似的patch进行替换使内容图像的风格与目标图像相似。该方法避免了parametric方法中的问题，但是生成的图像在风格模式上不够丰富，看起来有一种washed-out的感觉。如下图所示
这里写图片描述

arbitrary style transfer: 在特征空间使内容图像特征的统计量匹配风格图像的，然后通过解码器生成出来。
本文的目的就是要融合两种方法，取长补短。基本思路是从non-parametric方法出发，引入parametric方法中使用的图像全局约束。采用的方法是feature reshuffle，即在空域对图像特征进行重排。可以证明，reshuffle之后的图像特征的Gram矩阵保持不变，保证生成的图像和风格图像的整体一致性（parametric方法的优势），并且一些特定的reshuffle方法有助于内容图像和内容图像局部语义信息的匹配（non-parametric方法的优势）。

reshuffle

Neural Style
$min L_{t o t a l} = α L_{c o n t} + (1 - α) L_{s t y l e}, L_{c o n t} = ‖ F_{o} - F_{c} ‖_{F}^{2}, L_{s t y l e} = ‖ G_{o} - G_{s} ‖_{F}^{2}$