介紹(由于近期準備校招，博客暫時不更新)

神經風格遷移是我研一研二時期主要的研究方向，而從最初的風格遷移出現已經有較長一段時間了。之所以現在寫這個博客，第一是因為我的畢業論文定的方向是風格遷移+情感分析；第二是借這篇博客以及之后的學習，能對深度學習更進一步的理解！

目錄

什么是風格遷移?最經典的Gatys(paper,code)中給出了風格遷移的流程圖，視為最原始的方法。借此圖說明風格遷移的基本原理。

α 圖定義為style image, p 圖定義為content image,

損失通過VGG-16的前四層來表示，層次越高，內容越抽象。這里列出幾個符號定義。

將內容圖像輸入卷積網絡中提取圖像內容，由公式

，計算內容損失。對以上公式求導

，使用反向傳輸，使得生成圖像在內容上接近原輸入內容圖像。將風格圖像輸入到同一個網絡中提取它的風格信息，風格提取的符號定義為

計算風格圖像的loss

單獨某層的損失函數

各層綜合的損失函數

求偏導

,使得生成圖像在風格上接近原輸入風格圖像。7.風格損失

8.Gatys-Image-Style-Transfer中給出的流程圖。X是白噪聲圖像。同時將三張圖片輸入到同一網絡中，對內容圖像和風格圖像求特征，對白噪聲X求導。

當前不同框架下的風格遷移

幾年前，Gatys等人的風格遷移[paper],[code]在學術界引起了不錯的反響,并催生了后續很多研究成果。雖然在Gatys之前已經有學者做遷移方面的研究，但我把這篇paper看作是first style transfer paper。

1.基于圖像優化的Slow Transfer[A Neural Algorithm of Artistic Style ][paper]

[Demystifying Neural Style Transfer][paper](Theoretical Explanation) (IJCAI 2017)

[Stable and Controllable Neural Texture Synthesis and Style Transfer Using Histogram Losses][paper]

[Combining Markov Random Fields and Convolutional Neural Networks for Image Synthesis][paper](CVPR 2016)

2.基于模型優化的Fast Transfer

2.1Per-Style-Per-Model-Methods[Perceptual Losses for Real-Time Style Transfer and Super-Resolution][paper] (ECCV 2016)

[Precomputed Real-Time Texture Synthesis with Markovian Generative Adversarial Networks] [Paper] (ECCV 2016)

[Texture Networks: Feed-forward Synthesis of Textures and Stylized Images] [Paper] (ICML 2016)

[Improved Texture Networks: Maximizing Quality and Diversity in Feed-forward Stylization and Texture Synthesis] [Paper] (CVPR 2017)

[Precomputed Real-Time Texture Synthesis with Markovian Generative Adversarial Networks] [Paper] (ECCV 2016)

2.2Multiple-Style-Per-Model-Methods[A Learned Representation for Artistic Style] [Paper] (ICLR 2017)

[Multi-style Generative Network for Real-time Transfer] [Paper]

[StyleBank: An Explicit Representation for Neural Image Style Transfer] [Paper] (CVPR 2017)

[Diversified Texture Synthesis With Feed-Forward Networks] [Paper] (CVPR 2017)

2.3Arbitrary-Style-Per-Model-Methods[Fast Patch-based Style Transfer of Arbitrary Style] [Paper]

[Arbitrary Style Transfer in Real-time with Adaptive Instance Normalization] [Paper] (ICCV 2017)

如何評價風格遷移的實驗效果

總結

以上是生活随笔為你收集整理的keras神经风格迁移_深度神经风格迁移的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。