本文来自收费专栏：感知损失（perceptual loss）详解_南淮北安的博客-CSDN博客_感知损失

目录

一.感知损失

二、Loss_feature

三、Loss_style

感知损失的作用：

贡献当然就是图像风格转换的实用化：

速度三个量级的提升fully convolutional network可以应用于各种各样的尺寸

引入

图像风格转换算法，虽然效果好，但对于每一张要生成的图片，都需要初始化，然后保持CNN的参数不变，反向传播更新图像，得到最后的结果。性能问题堪忧。

但是图像风格转换算法的成功，在生成图像领域，产生了一个非常重要的idea，那就是可以将卷积神经网络提取出的feature，作为目标函数的一部分，通过比较待生成的图片经过CNN的feature值与目标图片经过CNN的feature值，使得待生成的图片与目标图片在语义上更加相似(相对于Pixel级别的损失函数)。

图像风格转换算法将图片生成以生成的方式进行处理，如风格转换，是从一张噪音图（相当于白板）中得到一张结果图，具有图片A的内容和图片B的风格。

而Perceptual Losses则是将生成问题看做是变换问题。即生成图像是从内容图中变化得到。

图像风格转换是针对待生成的图像进行求导，CNN的反向传播由于参数众多，是非常慢的，同样利用卷积神经网络的feature产生的loss，训练了一个神经网络，将内容图片输入进去，可以直接输出转换风格后的图像。而将低分辨率的图像输入进去，可以得到高分辨率的图像。因为只进行一次网络的前向计算，速度非常快，可以达到实时的效果。

架构

下面这个网络图是论文的精华所在。图中将网络分为Transform网络和Loss网络两种，在使用中，

Transform网络用来对图像进行转换，它的参数是变化的，

而Loss网络，则保持参数不变，Transform的结果图，风格图和内容图都通过Loss Net得到每一层的feature激活值，并以之进行Loss计算。

一.感知损失

网络细节

网络细节的设计大体遵循DCGAN中的设计思路：

不使用pooling层，而是使用strided和fractionally strided卷积来做downsampling和upsampling，使用了五个residual blocks除了输出层之外的所有的非residual blocks后面都跟着spatial batch normalization和ReLU的非线性激活函数。输出层使用一个scaled tanh来保证输出值在[0, 255]内。第一个和最后一个卷积层使用9×9的核，其他卷积层使用3×3的核。

输入输出

对于风格转换来说，输入和输出的大小都是256×256×3。对于图片清晰化来说，输出是288×288×3，而输入是288/f×288/f×3，f是压缩比，因为Transform Net是全卷积的，所以可以支持任意的尺寸。

Downsampling and Upsampling

对于图片清晰化来说，当upsampling factor是f的时候，使用后面接着log₂f个stride为1/2卷积层的residual blocks.fractionally-strided卷积允许网络自己学习一个upsampling函数出来。对于风格转换来说，使用2个stride=2的卷积层来做downsample，每个卷积层后面跟着若干个residual blocks。然后跟着两个stride=1/2的卷积层来做upsample。虽然输入和输出相同，但是这样有两个优点：提高性能，减少了参数大视野，风格转换会导致物体变形，因而，结果图像中的每个像素对应着的初始图像中的视野越大越好。

Residual Connections

残差连接可以帮助网络学习到identify function，而生成模型也要求结果图像和生成图像共享某些结构，因而，残差连接对生成模型正好对应得上。

图中：

蓝线加黑线表示内容损失，作用在较低特征层上

红线和黑线表示风格损失，作用在从低到高所有特征层上

这个结构和GAN较为相似

左边是Transform Net: fw，起着条件生成器的作用， pix2pix GAN 的生成器就也这个网络。

右边是Loss Network，一个固定参数的 pretrained VGG-16，可以类比为GAN的判别器，都是通过自己的Loss 来引导生成器。

与GAN不同的地方有:

Loss Network是固定参数的pretrained VGG-16，参数不更新生成器的 Loss 为 Perceptual Loss = Loss_feature + Loss_style

Perceptual Loss = Loss_feature + Loss_style

Perceptual loss是是如何做的?

它是将真实图片卷积得到的feature与生成图片卷积得到的feature作比较，使得高层信息(内容和全局结构）接近，也就是感知的意思。

二、Loss_feature

Loss_feature用来约束fw(x)的语义信息和空间结构，步骤如下:

1. 将 x 输入 Loss Network，提取 relu3_3 的 feature as feature_1

2. 将 fw(x) 接到 Loss Network 的输入，同样提取 relu3_3 的 feature as feature_2

3. 计算 feature_1 和 feature_2 的 normalized L2 Loss(欧氏距离)，

即 Loss_feature = ((feature_1 - feature_2)^2).sum()**.5 / feature_1.size

4. 回传 Loss_feature 且只对 fw 更新参数

在Loss Network各层feature上单独计算Loss_feature，生成图像的效果:

三、Loss_style

Style Transfer的核心是 Loss_style，用来约束fw(x)的艺术风格，步骤如下:

1. 将 y_style 输入 Loss Network，提取 4 层 features as feature_1

2. 将 fw(x) 接到 Loss Network 的输入，同样提取 4 层 features as feature_2

3. 如下图的公式，先计算两个 feature 的 Gram matrices，

然后 Loss_style 就是两个 Gram matrices 的 squared Frobenius norm

两张图片，在Loss网络的每一层都求出Gram矩阵，然后对应层之间计算欧式距离，最后将不同层的欧氏距离相加，得到最后的风格损失.

根据Loss_style的运算，猜测Gram matrices的功能是:

通过矩阵乘法运算，去除了Convolution feature上空间结构信息保留代表全图的某种共性的语义信息，而这种共性恰好表现为图像的艺术风格。最后回传Loss_style，只对 fw更新参数

在Loss Network各层feature 上单独计算Loss_style，生成图像的效果:

参考：感知损失（perceptual loss）详解_南淮北安的博客-CSDN博客_感知损失