Sekyoro的博客小屋
·
风格迁移
💡
原文中文，约6700字，阅读约需16分钟。
📝
内容提要
本文介绍了使用两个损失函数实现风格迁移的方法，内容损失基于CNN提取的特征，风格损失使用Gram矩阵计算差异，全变分损失用于平滑图像。最终使用梯度下降调整图像，以最小化总损失。
🎯
关键要点
- 风格迁移需要两张输入图像：内容图像和风格图像。
- 使用预训练的卷积神经网络（如VGG）提取图像特征。
- 合成图像是风格迁移过程中唯一需要更新的变量。
- 风格迁移的损失函数由内容损失、风格损失和全变分损失三部分组成。
- 内容损失使合成图像与内容图像在内容特征上接近。
- 风格损失使合成图像与风格图像在风格特征上接近。
- 全变分损失有助于减少合成图像中的噪点。
- 使用Gram矩阵计算风格损失。
- 通过最小化总损失来更新合成图像。
- 可以通过调整style_weight来改变风格迁移的效果。
- GANs也是生成艺术图像的有效方法，适用于风格迁移。
➡️
