本文介绍了如何基于VGG19模型实现图片风格转移。通过利用VGG19权重，计算内容图和风格图在特定层的特征，通过content loss和style loss进行迭代训练，最终生成融合内容与风格的新图片。详细过程包括构建模型、计算特征、gram矩阵的运用和实验结果展示。
一、导读。
图片风格转换，最初是由Gatys在2015年发表的“A Neural Algorithm of Artistic Style”这篇论文中提出。该论文构建了一个无监督的学习网络，输入两张图片（一张内容图，一张风格图），经过训练输出一张带有内容图内容且带有风格图风格的新图片。这篇博客就是写了我自己对这片论文的实现。代码地址（neural style文件夹）：点击打开链接
二、原理。
（一）、实验材料准备。需要两张图片（一张内容图，一张风格图），一个带有VGG19权重的npy文件。
（二）、基本原理。通俗来讲，就是利用机器学习的不断迭代，学内容图的内容特征，学风格图的风格特征，最后在内容以及风格上不断逼近两张图。
（三）、实验步骤。
- 构建vgg19模型，载入vgg19预训练参数。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
