歡迎來到《每周CV論文》。在這個專欄里，還是本著有三AI一貫的原則，專注于讓大家能夠系統性完成學習，所以我們推薦的文章也必定是同一主題的。

圖像風格化是生成對抗網絡的一大應用，今天給大家推薦初學該領域必須要讀的文章。

作者&編輯 | 言有三

1 有監督Pix2Pix模型

當前大部分基于生成對抗網絡的風格化模型都受到了Pix2Pix的影響，或借鑒其部分結構，或借鑒其代碼。Pix2Pix是一個條件GAN的變種，它使用成對的圖像作為訓練數據集，完成圖像到圖像的翻譯，是最經典的有監督圖像風格化GAN模型。

文章引用量：3000+

推薦指數：?????

[1] Isola P, Zhu J Y, Zhou T, et al. Image-to-image translation with conditional adversarial networks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 1125-1134.

2 無監督CycleGAN

Pix2Pix是最經典的有監督圖像風格化GAN模型，CycleGAN[2]則是最經典的無監督圖像風格化GAN模型，是后續大部分無監督GAN模型的鼻祖。它無須構建一對一映射的訓練數據集，是圖像風格化能夠真正得以大規模商業化應用的基礎，類似的框架還有UNIT[3]。

文章引用量：3000+

推薦指數：?????

[2] Zhu J Y, Park T, Isola P, et al. Unpaired image-to-image translation using cycle-consistent adversarial networks[C]//Proceedings of the IEEE international conference on computer vision. 2017: 2223-2232.

[3]?Liu M, Breuel T M, Kautz J, et al. Unsupervised Image-to-Image Translation Networks[C]. neural information processing systems, 2017: 700-708.

3 多領域轉換StarGAN

原始的Pix2Pix，CycleGAN都只能解決兩個領域之間的轉換，雖然也可以對其進行拓展。StarGAN[4-5]的提出則只需要學習一個模型，就可以解決多領域間的轉換問題，是當前最經典的多領域風格遷移框架。

文章引用量：600+

推薦指數：?????

[4] Choi Y, Choi M, Kim M, et al. Stargan: Unified generative adversarial networks for multi-domain image-to-image translation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 8789-8797.

[5]?Choi Y, Uh Y, Yoo J, et al. StarGAN v2: Diverse Image Synthesis for Multiple Domains[J]. arXiv: Computer Vision and Pattern Recognition, 2019.

4 風格編碼框架StyleGAN

在風格轉換中最重要的就是學習到優秀的風格編碼，StyleGAN[6]是當前最好的風格編碼網絡，它可以精確控制所生成圖像的屬性，是必須掌握的框架。

文章引用量：400+

推薦指數：?????

[6] Karras T, Laine S, Aila T. A style-based generator architecture for generative adversarial networks[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019: 4401-4410.

[7] Karras T, Laine S, Aittala M, et al. Analyzing and Improving the Image Quality of StyleGAN.[J]. arXiv: Computer Vision and Pattern Recognition, 2019.?

5 典型應用

圖像風格化可以用于任何從一個域到另一個或者多個域轉換的場景，不論是圖像增強，圖像分割，還是特定的風格遷移，這里我們給大家推薦人臉方向的兩個經典應用，妝造遷移[8]以及人臉動畫風格[9]，其他的可以自行學習。

文章引用量：30+

推薦指數：?????

[8]?Li T, Qian R, Dong C, et al. BeautyGAN: Instance-level Facial Makeup Transfer with Deep Generative Adversarial Network[C]. acm multimedia, 2018: 645-653.

[9] Kim J, Kim M, Kang H, et al. U-GAT-IT: Unsupervised Generative Attentional Networks with Adaptive Layer-Instance Normalization for Image-to-Image Translation[C]. international conference on learning representations, 2020.

6 文章解讀

關于GAN圖像風格化相關文章的詳細解讀，在有三AI知識星球-網絡結構1000變-GAN下有較多的文章，感興趣可以移步。

總結

本次我們介紹了基于GAN的圖像風格化領域中值得讀的文章，當前研究重點在于無監督模型，多域轉換，圖像細節控制，交互式方法等方向，讀者可以繼續關注。

有三AI知識星球

知識星球是有三AI的付費內容社區，里面包括各領域的模型學習，數據集下載，公眾號的付費圖文原稿，技術總結PPT和視頻，知識問答，書籍下載，項目推薦，線下活動等資源，了解詳細請閱讀以下文章：

【雜談】有三AI知識星球一周年了！為什么公眾號+星球才是完整的？

【雜談】萬萬沒想到，有三還有個保密的‘朋友圈’，那里面都在弄啥！

轉載文章請后臺聯系

侵權必究

往期精選

• 【每周論文推薦】 初入深度學習CV領域必讀的幾篇文章
  

• 【每周CV論文推薦】 掌握殘差網絡必讀的10多篇文章

• 【每周CV論文推薦】 初學者必須精讀的5篇深度學習優化相關文章

• 【每周CV論文推薦】 CV領域中數據增強相關的論文推薦

• 【每周CV論文推薦】 初學高效率CNN模型設計應該讀的文章

• 【每周CV論文推薦】 初學目標檢測必須要讀的文章

• 【每周CV論文推薦】 初學深度學習圖像分割必須要讀的文章

• 【每周CV論文推薦】 初學GAN必須要讀的文章

• 【每周CV論文推薦】 深度學習人臉檢測入門必讀文章

• 【每周CV論文推薦】 初學深度學習人臉關鍵點檢測必讀文章

• 【每周CV論文推薦】 初學深度學習人臉識別和驗證必讀文章

• 【每周CV論文推薦】 初學深度學習人臉屬性分析必讀的文章

• 【每周CV論文推薦】 初學活體檢測與偽造人臉檢測必讀的文章

• 【每周CV論文推薦】 初學深度學習單張圖像三維人臉重建需要讀的文章

• 【每周CV論文推薦】 人臉識別剩下的難題：從遮擋，年齡，姿態，妝造到親屬關系，人臉攻擊

• 【每周CV論文推薦】換臉算法都有哪些經典的思路？

• 【每周CV論文】深度學習文本檢測與識別入門必讀文章

• 【每周CV論文】深度學習圖像降噪應該從閱讀哪些文章開始

總結

以上是生活随笔為你收集整理的【每周CV论文】初学GAN图像风格化必须要读的文章的全部內容，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。