AdaIN(adaptive instance normalization)自适应实例规范化

我们虽然在改进风格迁移中改进了传统的神经风格迁移，但是仍然只能使用训练所得的固定数量的风格。因此我们要学习另一种允许实时任意风格迁移的神经网络模型，获得更多创意选择。

自适应实例规范化

AdaIN(adaptive instance normalization) 是实例归一化的一种，这意味着其均值和标准差是在每个图像和每个通道 (H, W) 上计算的。在 CIN 中，γγγ 和 βββ 系数是可训练的变量，它们学习不同风格所需的均值和方差。在AdaIN中，γγγ 和 βββ 被风格特征的标准差和均值所取代：

AdaIN(x,y)=σ(y)x−μ(x)σ(x)+μ(y)AdaIN(x,y)=\sigma(y)\frac {x-\mu (x)}{\sigma(x)} + \mu(y)AdaIN(x,y)=σ(y)σ(x)x−μ(x)​+μ(y)

AdaIN 仍可以理解为条件实例规范化的一种形式，其中条件是风格特征而不是风格标签。在训练和推理时，我们使用VGG提取风格层输出并将其统计信息用作风格条件，这样避免了只能预先定义一组固定风格。 使用TensorFlow来创建自定义AdaIN层：