200字范文 > 图像风格迁移_图像风格迁移—谷歌大脑团队任意图像风格化迁移论文详解

图像风格迁移_图像风格迁移—谷歌大脑团队任意图像风格化迁移论文详解

时间：2020-07-30 09:21:55

点击蓝字关注我们

AI研习图书馆，发现不一样的世界

风格迁移

图像风格化迁移是一个很有意思的研究领域，它可以将一张图的风格迁移到另外一张图像上，由此还诞生了Prisma和Ostagram这样的商业化产品。本文，我们将介绍谷歌大脑团队的一篇很有影响力的论文:Exploring the structure ofa real-time, arbitrary neural artistic stylization network，该论文提出了一种任意内容、任意风格的图像风格化迁移算法。大佬已经将算法demo整合进了，欢迎进入网址在线体验。

在深度学习引进图像风格迁移之前，图像风格化一般称作图像纹理合成或者图像纹理迁移。在，Leon Gatys等学者开始将深度学习引入到图像风格合成领域，从那时起，图像风格化迁移这个名字才开始用起来。从到，图像风格化迁移领域经过了火箭般的发展。其发展路线主要有以下三个阶段：

单内容单风格模型任意内容单风格模型任意内容、任意风格模型

有意思的是，图像风格迁移领域基本是沿着这三个阶段一脉相承的发展下来的，每一代算法都有借鉴前一个阶段的算法成果。真正做到了前人的成果，后人的阶梯。

虽然本文写作于2月6日，但今天我们要重点介绍的该论文是谷歌大脑团队8月发布的。我们参考Reiichiro大神于开源的代码和模型，我们很快的就将他部署到了我们的网站。但是我并不清楚该算法的原理和细节，为了弄明白这篇论文，我仔细阅读了该论文以及其参考文献中的部分经典、高被引参考论文，结合谷歌开源的代码，我才算是真正搞懂了这篇文章。对于如果要研究图像风格化迁移的新手，直接看懂这篇文章还是蛮困难的。所以本文将用清晰、简洁的方式介绍这篇论文提到核心的算法。

正如上面提到，图像风格化迁移领域的发展是一脉相承的，该论文也使用了之前两个阶段的其他论文中的很多方法，所以，我们先对图像风格迁移领域的发展历程进行简单的介绍。

01单内容单风格模型顾名思义，这种模型就是对每一张内容图片和每一张风格图片，都需要单独建模，一般是对一张随机噪声图，不断的迭代优化，使生成图的风格类似于给定的风格图，内容却与给定的内容图像一致。Gatys等学者发表的Image Style Transfer Using Convolutional Neural Networks是图像风格化迁移领域的开山之作。该论文主要使用预训练的VGG网络来提取特征，一般我们认为VGG这类图像分类网络，其浅层会更多的保存图像的纹理信息，而深层更多的是图像的语义特征。所以，如果两张图片内容相似，他们的高层特征的欧式距离会比较小；如果两张图像的纹理相似，那么它们的低阶特征有相同的空间特性。所以，多数图像风格化模型，都会使用VGG等图像识别模型的特征来计算纹理相似性和内容相似性，并且一般都会使用VGG等网络的多个卷积层提取的特征来计算风格损失，并使用一个较深的卷积层提取的特征来计算内容损失。如下图所示，对于风格图像S、内容图像C、生成的风格化迁移图像X，分别输入VGG网络，并在如图所示的四个卷积层的特征来计算风格损失，使用relu3_3的输出的特征来计算内容损失。对于图像风格损失，一般会将提取到的特征转换为Gram矩阵，用Gram矩阵来表示纹理信息。Gram矩阵计算方法就是将每个卷积层输出的特征向量(一般为WxHxC维)，reshape成WHxC的矩阵，然后该二维矩阵的转置与自身相乘，得到一个CxC的矩阵，使用这个矩阵表示该层的风格。则第j层的风格损失定义如下：总的风格损失定义如下：内容损失为内容图像和生成的风格化图像的特征之间的均方误差，第j层内容损失定义为：总的内容损失如下：最终的损失为风格损失和内容损失的一个加权和(其中λ为内容损失的权重)，而网络的优化方向，就是最小化总的损失。单内容、单风格模型，很明显不实用，因为我们总不能让用户每次输入一张内容图和风格图，都用GPU迭代几分钟才给出结果吧。虽然工程上并不实用，但是该类算法提出使用VGG等预训练模型的特征进而计算风格损失和内容损失，后面的风格化算法损失函数计算方式基本沿袭于此。02任意内容单风格模型这类模型是对图像风格迁移网络进行训练，图像风格迁移网络一般是自编码器架构(AutoEncoder)，输入任意一张内容图，模型可以直接输出风格化的图片。该类算法需要对一张特定风格图进行训练，在推理的时候，可以对任意内容进行风格化，这类网络的推理速度也比较快。但该类模型依旧有缺陷，因为对每个风格都需要建模，如果要做成产品，假设有1千个风格图，就要训练一千个模型，这样存储、调用起来仍旧不方便。虽然后来有学者提出了单模型多风格的模型，一个典型的论文是A Learned Representation For Artistic Style，模型结构如上图所示，一个风格迁移模型可以存储几十种不同的风格，但仍旧不能做到风格随意切换。但这篇论文提出的一个条件实例归一化方法(conditional instance normalization)，对下面要重点介绍的文章是一个非常大的启发。还记得我们经常用的Batch Normalization吗？其原理非常简单，对于每个卷积层中每个通道的特征，我们计算其均值和标准差，然后对每个通道的每个数值减去均值，除以标准差，然后乘以一个可学习的参数γ，再加上一个可学习的偏置β。该论文提出使用这个γ和β来做作为风格图像的特征向量，即使用这γ和β值来作为风格迁移网络的部分BN层的γ和β值，进而控制风格迁移网络生成符合特定风格的图像。该文章提出可以存储N个不同风格图像的γ和β矩阵，每次生成不同风格的图像时，只需要切换不同的风格对应的γ和β矩阵，就可以生成不同风格的风格迁移图。03任意内容任意风格模型后来，有学者提出了任意图像的风格化，其有多种不同的方法，下面我们介绍一下本文要重点介绍的论文，也就是谷歌大脑团队提出的——Exploring the structure of a real-time, arbitrary neural artistic stylization network.还记得上面刚提到的条件实例归一化方法吗，谷歌大脑团队提出，如果训练一个风格预测网络，让它来生成每个风格图像的特征向量(也就是要强加给风格迁移网络的γ和β)，然后输送给图像生成模型不就完事了吗？只要这个风格预测网络性能足够强，就可以做到任意风格的图像生成了。这里有一定会让大家比较迷惑的地方，也是让笔者一开始自己百思不得其解的地方。我们通常所见的一个模型的结果作为另一个模型的一个输入，一般是与其他特征进行通道拼接、或者通道逐元素相加，而本篇论文，则是把一个模型的输出，作为另外一个模型的部分BN层中的γ和β参数。这是本文一个非常特别的地方。明晰了这一点，本篇文章就很好理解了。下面是论文的主体结构图：其中风格转换网络是一个AutoEncoder架构的网络，不过这个网络只有两个下采样层。下表是风格转换网络的结构组成。其中每个Residual block(残差块)由两个卷积层和一个shortcut组成，而Upsampling(上采样层)则是由一个最近邻差值(2倍上采样)和一个卷积层组成。但别忘了最重要的，每个卷积层的后面都有BN层，其中前三个卷积层是普通BN层，而后面5个残差块中的十个卷积层以及两个上采样中的两个卷积层，还有最后一个卷积层，都是使用上文提到的条件实例归一化的，也就是这13个归一化层的β和γ来自于风格预测网络。其中风格预测网络是Inception V3模型，不过并不是完整的Inception V3模型，而是只使用其截止到名称为“mixed 6e”的上半部分模型，该部分作为风格预测网络的Backbone网络，然后对输出进行一个全局平均池化，再使用一个1x1的卷积层将通道数降低为100，其实这个100就可以作为一个风格图像的特征了。但是，等等，不是说风格预测网络的输出是上述13个卷积层对应的归一化参数β和γ吗？是的，所以这个100个通道的卷积层，还要分别再接出来26个1x1的卷积层(分别是13个卷积层的γ和13个卷积层的β矩阵，所以一共26个卷积层)，这26个1x1卷积层的通道数目，对应风格迁移网络中相应层的通道数。26个卷积层输出的结果才是最终送到风格转换模型的β和γ向量。下表是风格生成网络的结构图，其中最后的Matrix multiply其实是1x1的卷积层，这点还是通过看源码看到的。明白了网络的完整的拓扑结构，对这篇文章就算有个清晰的理解了。对于训练，就很容易理解了。其损失同样是上文提到的，通过VGG网络提取的特征来计算风格损失和内容损失，优化器优化这个总的加权损失就可以了。该论文在8万张艺术画和6千张视觉纹理图上训练，最后作者还验证了，风格预测网络，在网络从未见过的风格图片上，仍然具有很好的风格建模能力。这点非常类似于人脸识别模型，一个识别模型在成千上万的人脸图片上训练好了，对于未见过的人脸，也需要对其进行很好的建模，而不能瞎预测。而一旦训练好了风格预测模型以及风格生成模型，网络就可以任意输入一张内容图片，以及一张风格图片，网络就可以很快的生成一张风格化的图片了。其实文章介绍到这里，最难理解的地方就介绍完了，下面是关于将模型通过TensorFlow.js部署到浏览器里面的一些技术细节由于Inception v3模型比较大，Reiichiro将模型进行了蒸馏，使用Mobilenet v2替换Inception v3模型作为风格预测网络，并将图像风格迁移网络中部分的卷积层替换为了深度可分离卷积层。从而降低了两个模型的大小。

下面我们实现的操作页面，您可以在浏览器输入/style-transfer.html进行体验。

我们默认使用小的模型，在图中右侧控制栏，有个“使用大模型”可选项，您可以选择大模型，大模型更‘鲜艳“一些。不过40多M的模型下载可能需要几秒钟，而且运算量也要大很多，所以相比小模型，速度会慢很多。

最后，说一下学习风格化算法和这篇论文的感悟。

因为之前并没有深入研究过图像风格化算法，但我为了介绍这个可以跑在浏览器里的算法，仔细看了这篇文章，读了几篇其他作者写的综述性介绍文章，又阅读了几篇该论文里面提到的部分参考文献，最重要的，是看了源码，才把一些很难想通的点看明白了。所以，开始一个新的研究方向，或许以下三点是入门的一个很好的点：1)阅读综述性的论文和博客，找出文中重点提到的经典论文；2)阅读该方向经典的论文，以及经典论文所参考的部分高被引文献；3)阅读部分经典论文的开源代码；其中，阅读代码可能是理解一篇论文最重要的，就像目标检测中的SSD或者Yolo论文，如果看论文，或许有很多点是看不很明白的，只有看代码，或者真正自己通过写代码实现这个算法，才能彻底搞懂它。最后，欢迎关注我们的公众号，如果您想体验跑在您浏览器的图像风格化算法，敬请访问，更多好玩的人工智能算法，在里面等你哦。参考文献：Image Style Transfer Using Convolutional Neural NetworksA Learned Representation For Artistic StyleNeural Style Transfer: A ReviewPorting Arbitrary Style Transfer to the Browser/blog//12/20/style-transfer-js/