A Neural Algorithm of Artistic Style

Posted 2022-12-04 yhl_leo

本系列文章由 @yhl_leo 出品，转载请注明出处。
文章链接： http://blog.csdn.net/yhl_leo/article/details/53931536

---

1. 资源

• Paper: A Neural Algorithm of Artistic Style
• TensorFlow version in GitHub: anishathalye/neural-style
• Caffe version in GitHub: fzliu/style-transfer
• Torch version in GitHub: jcjohnson/neural-style
• DeepPy version in GitHub: andersbll/neural_artistic_style
  

---

2. 论文概述

图 1

这是2015年的一篇论文，作者首次提出使用卷积神经网络生成具有人工艺术风格的作品。作者认为，卷积神经网络中的卷积层可以理解为收集图像特定特征的滤波器集(filters)，即生成了输入图像各种版本滤波结果，把普通影像重构成具有艺术风格的作品，既需要保持普通图像内容布局上保持不变，又要使其具有与参考艺术作品具有相同的风格，此分别为文中所述的content reconstructions 和 style reconstructions.

作者发现，较深层的卷积特征能获取图像高级（high-level）的、目标级的内容信息以及在原图像上的位置信息，但是却不能约束准确的像素重构，也就是详细的像素信息丢失（如图 1，content reconstructions 的 d,e）；相反地，浅层的卷积特征却能很容易的生成准确的像素值（如图 1，content reconstructions 的 a,b,c），因此，作者使用较深层的卷积进行内容重构，实验中是在relu4_2上进行content representation.

在风格化的问题上，为了表示参考艺术作品的风格，作者使用特征空间获取纹理信息。这一特征空间基于卷积神经网络的各个卷积阶段得到的特征，它由不同卷积特征图之间的相关性构成。通过引入卷积层之间的相关性，作者获得了对原图稳定的，多尺度的表示，能够得到参考艺术作品的纹理信息（不包含全局的排布信息）。

因此，作者的思路非常简单，通过输入原图，在较深层的卷积层中得到的特征进行图像内容约束，使用参考艺术作品，在卷积不同阶段的卷积特征学习得到图像纹理，进行纹理约束，从而优化得到最终结果。

---

3. 论文细节

图 2

图 2展示了算法的约束简图，其中包含两个主要约束：content constrain 和 style constrain。

作者使用的是VGG-19 network， 包含16个卷积层（分为5个卷积阶段），每个阶段末尾都有 pooling 层，全连接层被抛弃掉，另外Pooling阶段使用average pooling。

• content loss:
  
  $F^l, P^l$ 分别是 $\\pmbx, \\pmbp$图像在卷积层$l$上对应的卷积特征响应， $F^l \\in \\mathcalR^N_l \\times M_l$, $F^l_ij$是卷积层$l$的第$i$个卷积在$j$位置上激活值，$P^l_ij$。则，在该层上的梯度为：
  

• style loss:
  计算不同滤波响应之间的相关性，表示在 Gram 矩阵中：
  
  $A^l, G^l$分别为 $\\pmba, \\pmbx$ 图像在卷积层$l$上对应的卷积特征响应，通过使得两者的差方和最小，作为约束调整图像风格：
  
  因此，风格的损失代价为：
  
  即，使用多层的卷积特征，进行整体约束，(其中conv1_1, conv2_1, conv3_1, conv4_1 和 conv5_1 中 $w_l$ = 1/5， 其余层$w_l$ = 0)。梯度很容易求导为：
  

• total loss:
  
  其中 $\\alpha/ \\beta$ 被设置为 1e−3 或 1e−4.

---

4. 实验结果

论文以及开源代码中具有实验结果，可自行查看或测试，这里不贴出。