【每一个人都是梵高】A Neural Algorithm of Artistic Style

文章地址：A Neural Algorithm of Artistic Style

代码：https://github.com/jcjohnson/neural-style

这篇文章我认为可以起个浪漫的名字——每一个人都是梵高。

主要做的一件事情非常有意思。就是例如以下图的等式，通过将a图的style和p图的content进行融合。得到第三幅图x。style+content=styled content



怎么做呢？首先他定义了两个loss。分别表示终于生成的图x和style图a的样式上的loss，以及x和content图p的内容上的loss。α,β是调节两者比例的參数。终于的loss function是两者的加和。

通过optimize总的loss求得终于的x。

Details

所用的CNN网络是VGG-16，利用了它16个卷积层和5个pooling层来生成feature。

如果某一层得到的响应是Fl∈RNl∗Ml,当中Nl为l层filter的个数，Ml为filter的大小。Flij表示的是第l层第i个filter在位置j的输出。

content loss

如果p和x在CNN中的响应分别为Pl和Fl。将他们内容上的loss表示成每一个pixel的二范数：



则用梯度下降法，content loss对F求导为：

Style Loss

图x的style表示为Gl∈RNl∗Nl,当中Glij=∑kFlik∗Fljk,即CNN同一层不同filter响应的互相关，至于为什么互相关可以表示style，well。I don’t know….

那么每一层style loss为



当中style图a的在CNN中的响应为A。

则总的style loss为每一层的加权和：

Total Loss

在定义好了两个loss的形式以后，又回到了最初的问题，就是最小化总的loss：



要注意的是。不同于一般的CNN优化，这里优化的參数不再是网络的w和b。而是初始输入的一张噪声图片x



终于我们想让他变成右图这样styled content。

Experiments

1. 对同一张content图片运用不同style的结果例如以下图所看到的,fantastic!!
   
   

2. total loss中α和β的比例：
   
   从上到下表示的是运用不同conv层的feature进行style，conv1->conv5是一个从总体到局部的过程；
   
   从左到右表示的是不同的α/β的比例，10−5->10−2是指更注重style还是更强调content。