Deep Photo的TensorFlow版本

Prisma这个应用，你可能很熟悉。这是一个能将不同的绘画风格，迁移到照片中，形成不同艺术风格的图片。

2017年4月，美国康奈尔大学和Adobe的一个研究团队在arvix上通过论文“Deep Photo Style Transfer”, 提出一种叫做“深度摄影风格转换”的演化技术，能将一张照片的风格，迁移到另一张照片中。原论文作者给出了Ubuntu14.04系统下的Torch实现，但是该Torch代码实现需要配置复杂的MATLAB环境，但是浙大的LouieYang将该Torch实现转换成了TensorFlow实现。

项目地址：https://github.com/LouieYang/deep-photo-styletransfer-tf

(照片风格迁移示例如下，以下三列从左到右分别是：输入图像、风格图像、Torch效果、TensorFlow效果）

下面是对这个TF实现的介绍：

这份TensorFlow实现支持Adam算法和原作者使用的L-BFGS-B算法。当TensorFlow升级到更高版本时，此代码中的ScipyOptimizerInterface函数可能不兼容。

由于TensorFlow的自动转换功能，这个项目的TensorFlow实现似乎更为简单。此外，这个项目并不依赖MATLAB软件，而是使用了另一个计算库Matting Lapalacian Sparse Matrix.

1.依赖库：TensorFlow、Numpy、Pillow、Scipy、PYCUDA(仅在CUDA8.0上测试过平滑局部仿射的功能)，建议使用Anaconda (注：python科学计算环境)，这样仅需再安装TensorFlow和PYCUDA即可。可选装CUDA加速库，建议安装。

2.下载VGG-19模型权重

VGG-19模型的权重矩阵由TensorFlow版本的VGG模型微调得到，仅对类别接口进行了少量修改，VGG-19模型权重被存储为npy文件。下载后，将该权重文件复制到此目录下./project/vgg19。

使用方法：

1.  使用时你只需要给出目标图像路径(content image)、风格图像路径(style image)、目标图像分割路径(content image segmentation)和风格图像分割路径(style image segmentation)，即可运行命令。

2. 其他选项。设置style_option的值，可得到三种不同的风格迁移方式。当style_option为0时，可得到分割后的中间结果，与Torch代码中neuralstyle_seg.lua文件相似；当style_option为1时，进一步使用这个中间结果生成最终结果，与Torch代码中deepmatting_seg.lua文件相似；当style_option为2时，将这两个步骤组合为一行命令，直接生成最终结果。

运行命令 python deep_photostyle.py -help 可查看所有选项。

3. 图像分割

这个项目不提供图像分割脚本的代码，仅能使用Torch版本的图像分割代码。这个项目的实现使用的掩码颜色与其相同。你也可以自己定义独特的分割模型和掩码颜色，来定制风格迁移系统。