风格迁移论文--Arbitrary style transfer in real-time with adaptive instance normalization
目录
- 整体思路
- 优化点：Adaptive Instance Normalization（AdaIN）
- 网络结构
- 损失函数
- 论文实验结果
这篇文章是2017年发表的，在Gatys的2015年论文《A Neural Algorithm of Artistic Style》基础上，做了不少改进工作，当然也吸收了其他论文中的部分，比如尝试去训练一个前向传播的神经网络提高迁移速度，吸收IN（Instance normalization）层的思想，去掉Gram矩阵，修改损失函数，从而大大提高了分割迁移速度和质量。因此也顺利被cvpr收入。原论文地址：https://arxiv.org/pdf/1703.06868.pdf
一、整体思路
文章大体沿用之前风格迁移的思想，损失函数的定义依旧使用内容损失和风格损失。其中风格网络设计较之前有些复杂，但是只使用了前向网络，速度反而加快了，整体计算变得更加简单。
风格网络使用encode-decode和AdaIN层组成，其中encode-decode是使用对称的VGG -19网络，标定内容特征的均值和方差到对应的风格特征上，产生目标图片t
一个随机的初始化的解码器g被训练去映射t到图片空间。生成有了风格的图片T(c,s)
最终生成图片的函数（不同alpha下的生成图片可见下图）：
二、优化点：Adaptive Instance Normalization（AdaIN）
2.1 Batch Normalization-归一化一批样例
简介：以一个单一风格为中心。对一批样例进行计算每通道的均值和方差。BN layers在训练和测试时采用的是不同的数据集，训练时是采用小批数据。Gatys等人的方法Gram matrix因为需要循环optimization，生成一张图要很久，Ulyanov等人提出用一个前馈神经网络替代这个optimization的过程，也就是训练一个generator，这个generator中用了BN。
公式如下：
BN 在训练的时候利用 mini-batch 统计来学习，在 inference 的阶段就用流行的统计来替换他们，这样就导致了 training 和 inference 的不一致。后来也有很多对该问题的改进。
2.2 Instance Normalization -每个样例规范化
简介：每个通道都独立计算均值、方差。IN layers在训练以及测试时使用相同的数据统计。归一化每个样例到一个单一的风格。Ulyanov等人发现只需将BN替换为instance normalization (IN)即可大幅提升收敛速度。BN和IN的区别在于BN用的mean和variance是从一个batch中所有的图片统计的，而IN的mean和variance是从单张图片中统计的。注意 γ和 β对每个channel都是不同的。
公式如下：
2.3 Conditional Instance Normalization-条件实例归一化
简介：Dumoulin等人发现在进行IN的时候，使用不同的 γ和 β即可生成出风格不同的图像，提出了conditional instance normalization(CIN)
公式如下：
惊奇的是，该方法可以产生完全不同 style 的图像，但是用的是同一组网络参数，仅仅是 IN layer 的 affine parameters 不同。两个参数也是学习而来，Dumoulin等人的方法迁移有限种的风格，想迁移新的的风格则需要训练新的模型。
2.4 Adaptive Instance Normalization-自适应实例归一化
简介：既然 IN 可以根据 affine parameters 将输入归一化为 single style，那么，有没有可能，我们给定多种自适应的 affine transformations 来生成任意给定类型的图像呢？基于该动机，黄勋等人对 IN 的技术进行了拓展，提出了 Adaptive Instance Normalization （AdaIN）。AdaIN 接收一张内容图X 和一张风格图 Y，不引入参数，自动计算出其均值和方差，只需使用一次前向网络，即可完成风格网络的生成，将大大提高执行速度。与 BN, IN, CIN 不同，AdaIN 没有可学习的 affine parameters。其根据输入的 style image，自适应的生成 affine parameters：
三、网络结构
网络结构主要分为两部分：生成网络以及计算损耗网络两个网络。计算损耗网络是用来训练时约束的。生成网络是一个前向网络，后期用来进行风格转换网络。风格转换生成网络由Encoder-AdaIN-Decoder这3部分组成。
1、Encoder 部分是采用预训练好的VGG网络，只使用到了Relu4_1部分，将风格和内容图的图像都从图像空间转到特征空间。
2、AdaIN层是对内容图进行归一化，这里是通过对齐内容图的每通道的feature map的均值和方差来匹配风格图每通道feature map的均值和方差。在不同层进行AdaIN测试（relu2_1、relu3_1、relu4_1）。在越高的层数上使用AdaIN风格化越明显，层数越低效果也越不明显。
3、Decoder部分是一个将feature空间转成图像空间的网络，这部分网络一般是采用和encoder对称的网络结构，整个网络中需要训练的就是这部分网络的权重参数信息，初始可以随机一些初始化参数，通过梯度下降可以不断进行更新参数以使整个损耗函数比较小、网络逐渐收敛。池化层一般是替换成采用最近邻上采样的方式来防止棋盘效应，在encoder 和 decoder部分的padding一般都是采用反射填充避免边界artifacts。decoder中没有使用归一化层，因为IN/BN这些实例归一化和批归一化都是针对单个风格的。
整个生成网络的时间花费基本是content encoding、style encoding、decoding各占三分之一时间。
四、损失函数
损失函数分析转自：https://zhuanlan.zhihu.com/p/57875010
五、论文实验效果
