java教程 知乎_【转】知乎 —— AdaIN 笔记

这个博客写的不要太好，强烈推荐并转载。【https://zhuanlan.zhihu.com/p/158657861】

AdaIN 笔记

Liewschild

计算机视觉练习生，中国科学院大学硕士在读

论文Arbitrary Style Transfer in Real-time with Adaptive Instance Normalization的阅读笔记

ICCV 2017的一篇论文，有点老，不过是一篇很棒的论文，做了非常多的实验，靠谱、实在，对我的研究也有非常大的帮助。

风格迁移主要3个指标，迁移速度，风格类别数、迁移结果的质量(这个凭肉眼观测的属性感觉还是比较主观)，作者说，作为成年人，我全都要。之前的研究要么就是比较慢，要么就是可供前的风格数量有限，这篇论文的主要目标是实现实时的、任意风格的风格迁移(style transfer)，主要方法就是自适应实例标准化(Adaptive Instance Normalization，AdaIN)，将内容图像(content image)特征的均值和方差对齐到风格图像(style image)的均值和方差。此外，这个方法还给用户非常多的控制权，包括内容和风格的折中(trade off)，风格插值(混合风格迁移)，是否保留颜色，对图像的哪个区域进行风格迁移[1]。

话不多说，先上图感受一下效果，第一行为content image，提供内容，第一列为style image，提供风格，其余为风格迁移得到的结果，效果还是很不错的。

Fig.1 迁移结果，From reference [1]

一、背景知识

论文中的方法主要跟标准化(normalization)有关，这里对各种标准化操作进行一个介绍。

1、Batch Normalization

Ioffe 和 Szegedy[2]引入Batch Normalization(BN)，大大简化了前向神经网络的训练。Radford等[3]发现BN在图像生成模型中也非常有效。Batch Normalization就是对一个batch中的数据进行标准化，就是每一个值减去batch的均值，除以batch的标准差，计算公式如下：

From reference [1]

From reference [1]

From reference [1]

其中，

分别表示计算均值和标准差，

是仿射变换的两个参数。

2、Instance Normalization

Ulyanov等[4]发现，将BN替换为Instance Normalization(IN)，可以提升风格迁移的性能。IN的操作跟BN类似，就是范围从一个batch变成了一个instance，计算公式如下：

From reference [1]

From reference [1]

From reference [1]

3、Conditional Instance Normalization

Dumoulin等[5]提出了Conditional Instance Normalization(CIN)，计算公式如下：

From reference [1]

乍一看好像没啥变化，其实不然，它在训练中会学习不同的

 对(pair)。令人惊喜的是，对于同一张content image，同一个迁移网络，使用相同的卷积层参数，使用不同的

 对，可以得到不同风格的迁移结果。为什么！先卖个关子，咱后头慢慢讲。

二、为什么Instance Normalization可以这么厉害！！！

(Conditional)Instance Normalization取得了巨大的成功，这到底是为什么呢？是道德的沦丧，还是人性的扭曲......偏了偏了，让我们一起走进实验，探索其中的奥秘。

Ulyanov等[4]将其归因于IN对content image的对比度的不变性。作者觉得，不，它不是这样的。二话不说，撸起袖子就是干，让实验结果说话

Fig.2, 实验结果，From reference [1]

作者分别用原图和对比度标准化后的图像对网络进行训练，结果(Loss收敛的速度，值)如图2中的(a)和(b)所示，可以发现并没有什么不同，IN对contrast normalized的图像依旧比BN更有效，所以对比度它不是答案的关键。

众所周知(我之前就不知道，孤陋寡闻如我)，DNN提取的特征的统计特性可以代表图像的风格[6-8]。Gatys等[9]使用二阶统计特性作为优化目标；Li等[10]发现，对其他统计特性，如channel-wise的均值和方差，进行匹配，对风格迁移也是很有效的。基于上述观察，作者提出，instance normalization通过对特征的统计特性(均值和方差)进行标准化，实现了某种形式的风格标准化(style normalization)。特征的均值和方差就代表着图像的风格！为了验证自己的想法，作者又做了一个实验，先将图像迁移到同一个风格(不是目标风格)，然后再进行一次风格迁移(到目标风格)，结果如图2中的(c)所示，IN和BN的性能差异减小了很多。迁移到同一个风格后，BN的均值和方差和IN的均值和方差就差不多了(差多少取决于迁移的性能)，所以BN和IN的性能就差不多了。没错了，是它，是它，就是它！实锤了，特征的均值和方差就代表着图像的风格！这也就解释了为什么CIN使用不同的

 对，可以得到不同风格的迁移结果。

三、重点来了：Adaptive Instance Normalization

在BN，IN，CIN中，网络会学习仿射变换参数

，作者提出的AdaIN则无需学习这两个参数，直接用style image的特征的均值和标准差代替这两个参数，公式如下：

From reference [1]

其中，

分别表示content image的特征的均值和标准差，

 分别表示style image的特征的均值和标准差。这个公式可以理解为，先去风格化(减去自身均值再除以自身标准差)，再风格化到style image的风格(乘style image的标准差再加均值 )。

网络结构如图3所示

Fig.3 网络框架，From reference [1]

训练时，先用VGG提取content image和style image的特征，然后在AdaIN模块进行式(8)的操作，然后用于VGG对称的Decoder网络将特征还原为图像，然后将还原的图像再输入到VGG提取特征，计算content loss和style loss，计算公式如式(11-13)所示，style loss会对多个层的特征进行计算。VGG的参数在训练过程中是不更新的，训练的目的是为了得到一个好的Decoder。

From reference [1]

From reference [1]

From reference [1]

四、实验结果

1、跟其他方法的比较

图4是迁移的结果，个人觉得效果最好的是Chen and Schmidt那个，但是它速度慢了些，比这篇论文慢50倍左右(见图5)。Loss我觉得这篇论文倒是降得挺低的，训练200多次迭代后就比其他都低了，但效果我感觉其实没别人的好(这件事比较主观)，这说明，loss不能充分反映最后的效果会这样

Fig.4 迁移结果，From reference [1]

Fig.5 迁移速度、风格数量，From reference [1]

Fig.6 两个Loss，From reference [1]

2、看看其他方法效果怎么样

Enc-AdaIN-Dec: 论文中的方法

Enc-Concat-Dec: 将AdaIN替换为串联操作，即把content image会和style image的特征简单串联起来

Enc-AdaIN-BNDec: 在DEcoder中加入BN

Enc_AdaIN-INDec: 在DEcoder中加入IN

图7(d)中可以看到(a)中鸭子的轮廓，说明网络没能把style image的style和content解耦好，与图8中content loss很大相对应；(e)和(d)效果很差，style loss也很大，(e)效果尤其差。这也在此验证了作者的想法，Normalization会将风格进行标准化(或者说，去风格化)，这与我们想生成不同风格图像的目标相左，所以效果自然不好。

Fig.7 不同方法的迁移结果，From reference [1]

Fig.8 不同方法的Loss，From reference [1]

3、content和style的折中

用户可以通过参数

来控制content和style的折中， 

 越大，风格迁移得越好，但内容的保存得越少，如图9所示

Fig.9 content与style的折中，From reference [1]

4、多风格的混合

如图10所示，四个顶点是4张style image，中间是迁移结果，混合了4张图像的style，离style image越近，风格也越靠近该图

Fig.10 多风格混合迁移，From reference [1]

5、色彩控制

如图11所示，左半边大图为content image，右上角小图为style image，如果直接迁移，得到的图的颜色跟style image会很像，通过色彩控制选项，可以保存原图的色彩，效果如图11右半边所示

Fig.11 色彩控制，From reference [1]

6、空间控制

将一张图像的不同区域迁移到不同风格，效果如图12所示

Fig.12 空间控制，From reference [1]

Reference

[1] Huang, Xun, and Serge Belongie. "Arbitrary style transfer in real-time with adaptive instance normalization." InProceedings of the IEEE International Conference on Computer Vision, pp. 1501-1510. 2017.

[2] S. Ioffe and C. Szegedy. Batch normalization: Accelerating deep network training by reducing internal covariate shift. In JMLR, 2015

[3] A. Radford, L. Metz, and S. Chintala. Unsupervised representation learning with deep convolutional generative adversarial networks. In ICLR, 2016.

[4] D. Ulyanov, A. Vedaldi, and V. Lempitsky. Improved texture networks: Maximizing quality and diversity in feed-forward stylization and texture synthesis. In CVPR, 2017.

[5] V. Dumoulin, J. Shlens, and M. Kudlur. A learned representation for artistic style. In ICLR, 2017.

[6] L. A. Gatys, A. S. Ecker, andM. Bethge. Image style transfer using convolutional neural networks. In CVPR, 2016.

[7] C. Li and M. Wand. Combining markov random fields and convolutional neural networks for image synthesis. In CVPR, 2016.

[8] Y. Li, N. Wang, J. Liu, and X. Hou. Demystifying neural style transfer. arXiv preprint arXiv:1701.01036, 2017.

[9] L. A. Gatys, A. S. Ecker, andM. Bethge. Image style transfer using convolutional neural networks. In CVPR, 2016.

[10]Y. Li, N. Wang, J. Liu, and X. Hou. Demystifying neural style transfer. arXiv preprint arXiv:1701.01036, 2017.