超级会员免费看
本文概述了图像风格迁移的发展，从基于优化的方法到基于解码器的方法。涉及的关键技术包括非参数化纹理合成、CNN风格迁移、实例归一化、马尔科夫随机场和自适应实例归一化。文章还介绍了如何利用注意力机制提升合成图像的质量，以解决局部失真问题。这些技术在保证速度的同时，实现了任意风格的实时迁移。
图像分割迁移总体上分类2大类：基于优化的方法和基于decoder的方法。下面按照发展阶段梳理：
文理合成的第一篇论文
《Texture Synthesis by Non-parametric Sampling》
非参数化的暴力求解法
-------------------------------------------------------------------------------------------
《Image style transfer using convolutional neural networks》
背景：第一篇使用CNN计算进行风格迁移的文章
总体技术思路：
（1）基于optimization-based的迭代优化技术。
（2）使用CNN的特征提取能力，底层特征图提取内容、文理等细节，高层特征图提取结构布局等风格。
（3）限制合成图和风格图之间的风格损失，限制合成图和内容图之间的内容损失，保证合成图的风格趋于风格图，内容趋于内容图。
Gram矩阵：同个layer不同特征图之间的相似度可以衡量图片风格之间的差异，Gram矩阵等价于（没有去中心化的）协方差矩阵
总损失=风格损失（Gram矩阵损失）+内容损失+总变分损失。
----------
订阅专栏 解锁全文
扫一扫
833
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
