风格迁移学习笔记(2):Universal Style Transfer via Feature Transforms

以下将分为3个部分介绍:

• 1.提出的background和sense
• 2.proposal network pipeline
• 3.results

Background

先来review一下过去的架构.
1.传统的neural style存在两个巨大的弊端: 调参/耗时。即不仅需要我们对neural style的层级进行大量调参，而且整个迭代过程是对于z噪声进行迭代,非常耗时。

2.即使Texture Net和 Feifei Li在2016的工作中提出在前面承接一个G，将迭代过程变成一个网络来进行泛化style的学习，仍然避免不了调参。

即对于style和content loss 我们仍然需要通过对layer的尝试参数,来得到一个和style较为匹配的表述才能有较好的效果，且针对不同的style这一步骤需要重新training。