【Neural Style Transfer】Stroke Controllable Fast Style Transfer（含代码详解）

在介绍我们这次的论文之前，我们先来思考一些问题：

• 在NST中，什么是风格图像中的风格信息？ 个人理解，风格图像中的风格信息指的是风格图像中的色彩、纹理、笔触等因素，这些因素的不同组合使得图像呈现出不同的风格信息。
• 那么，再进一步的思考，我们怎样提取这些风格图像中的风格信息呢？ 在深度学习没有出现之前，大多数是利用图像处理和滤波来实现的，例如高斯滤波或者双边滤波；有了深度学习以后，开始从图像中提取高维的特征信息来表示风格信息，例如2015年Gatys提出利用Gram矩阵来表示图像中的风格信息，并且这一想法使其成为NST的基石和开山之作。
• 那么，再思考一个问题，为什么Gram矩阵可以表示图像中的风格信息？ 推荐给大家一篇博客：(高能预警!)为什么Gram矩阵可以代表图像风格？带你揭开图像风格迁移的神秘面纱!，我觉得博主对于这个问题分析比较透彻，伙伴们可以去学习一下。简单来说，图像的风格迁移是在不断缩小生成图像和内容图像，生成图像和风格图像的距离，那么对于内容图像和风格图像来说，需要忽略特征的位置，减小分布的差异。也就是说，图像的风格迁移可以看作内容图像到风格图像的分布对齐过程。更进一步地，如果我们将内容图像集合和风格图像集合看作两个域，那么这就是域迁移的问题了。

既然对风格信息有了基础的了解，那么大佬们通过其中的一个小痛点（笔触的大小影响风格迁移的效果么？） 来展开这篇论文。这个项目的链接大佬们也同时给出了【项目链接】，发表于2018ECCV。此外，打个小小的广告，我们关于NST的论文和代码介绍放在了专栏里，感兴趣伙伴们可以自行前往食用深度学习艺术与专栏。

本篇论文地址：https://arxiv.org/abs/1802.07101
论文代码地址：https://github.com/LouieYang/stroke-controllable-fast-style-transfer
论文项目地址：https://yongchengjing.com/StrokeControllable

0. Pre-analysis

论文在正式介绍自己的网络之前，为了使自己的论证更有力（这可能就是发顶会的严谨性吧），利用不同的笔触（实际上是内容图像和风格图像的比例不同）证明了风格图像比例大小确实会产生不同的风格迁移效