Arbitrary Style Transfer with Deep Feature Reshuffle

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 x 开始,对 x 不断进行优化,使得 x 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
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

  • 1
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值