Press "Enter" to skip to content

洞察——风格注意力网络(SANet)在任意风格迁移中的应用

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

 

作者|dhwani mehta 编译|Flin 来源|medium

 

图像风格化是近几十年来研究的一种图像处理技术,本文旨在展示一种高效新颖的风格注意力网络(SANet)方法,在平衡全局和局部风格模式的同时,保留内容结构,合成高质量的风格化图像。

 

风格迁移机制概述

 

 

有没有想象过如果由杰出的艺术家来制作照片,照片看起来会怎样?任意风格迁移通过将内容图像(目标图像)与风格图像(其纹理即画笔描边,角度几何形状,图案,颜色过渡等需要绘制到内容图像的图像)混合,从而将其变为现实,以生成第三幅从未见过的图像。

 

新颖的SANet风格迁移方法

 

任意风格迁移的最终目标是实现概括性,并保持质量和效率。

 

在平衡全局和局部风格模式以及由于以下原因而保留内容结构:

 

 

    1. 使用学习的相似性内核而不是固定的内核

 

    1. 使用基于软注意力的网络代替硬注意力进行风格装饰

 

    1. 在训练过程中避免失去特征,以保持内容结构而又不损失风格的丰富性

 

 

使用SANet进行任意风格迁移的构建块

 

整个风格迁移机制可以总结如下:

 

 

让我们逐步了解整个体系结构,最后获得全方位的概览。

 

全面的SANet架构

 

 

让我们尝试解开整个架构,以更好地了解:

编码器解码器模块
风格注意力模块
损失函数的计算

编码器-解码器模块

 

 

解决风格迁移问题的最重要步骤是编码器-解码器机制。预训练的VGG-19网络对一个图像进行编码,形成一个表示形式,然后传递给解码器,该解码器尝试将原始输入图像重新构造回去。

 

风格注意力模块

 

 

SANet体系结构将来自VGG-19编码器的内容和风格图像的输入作为特征图,并对其进行规范化后,转换为特征空间,以计算内容和风格特征图之间的关注度。

 

 

损失函数的计算

 

预训练的VGG-19用于计算损失函数,以便按以下方式训练解码器:

 

 

完整的损失计算公式

 

关于内容和风格损失计算的一个构想:

 

SANet中内容和风格损失组件的计算概述

 

 

特征损失的计算

 

由于具有新颖的特征损失功能,SANet体系结构能够保留内容结构并丰富样式模式。

 

SANet中特征损失计算的概述

 

 

计算相同输入图像在没有任何风格空白的情况下的损失,使得特征损失同时实现内容结构和风格特征的维护。

 

结论与结果

 

 

实验显然表明,使用SANet进行风格迁移所获得的结果将解析各种风格,

 

例如全局颜色分布,纹理和局部风格,同时保持内容的结构。同样,SANet在区分内容结构和与每个语义内容相对应的迁移风格方面也很有用。因此可以推断出,SANet不仅在保持内容结构方面很有效,而且在保留风格结构特征方面也很有效,并且可以轻松地融合风格特征,从而丰富了全局风格和局部风格统计信息。

 

 

参考文献

 

[1]朴大英和李光熙。“通过关注风格的网络进行任意风格的迁移。” IEEE计算机视觉与模式识别会议论文集。2019。

https://openaccess.thecvf.com…

[2] Gatys,Leon A.,Alexander S. Ecker和Matthias Bethge。“使用卷积神经网络进行图像风格迁移。” IEEE计算机视觉和模式识别会议论文集。2016。

https://openaccess.thecvf.com…

[3] Huang,Xun和Serge Belongie。“通过自适应实例标准化实时进行任意风格迁移。” IEEE国际计算机视觉会议论文集。2017。

https://openaccess.thecvf.com…

[4]李一军,等。“通过特征转换实现通用风格迁移。” 神经信息处理系统的研究进展。2017。

http://papers.nips.cc/paper/6…

[5]盛路,等。“头像网:通过特征装饰进行多尺度零镜头风格转移。” IEEE计算机视觉与模式识别会议论文集。2018。

https://openaccess.thecvf.com…

原文链接: https://medium.com/visionwiza…

 

Be First to Comment

发表评论

电子邮件地址不会被公开。 必填项已用*标注