不会编程也能做酷炫视频风格迁移？这个工具冲上Reddit热榜( 二 ) 贾浩楠发自凹非寺量子位报道|公众号Qbi

△内容损失公式
然后通过直接改变「复刻」，将这些损失降到最低。
文章插图
经过几次迭代，「复刻」就能够具备风格图像的风格和内容图像的内容。它是原始内容图像的风格化版本。
前馈法优化法的缺点是运算成本较高，处理时间也比较长。
那么有没有好的方法能够直接利用深度神经网络的特性，减轻开发者的负担呢？
前馈法的本质，是创建一个未经训练的图像转换网络，它的功能是将内容图像转换为对「复刻」的最佳猜测。
然后将图像转换网络的输出结果作为「复刻，与内容和风格图像一起通过预训练图像分类网络来计算内容和样式损失。
文章插图
最后，为了减少损失，需要将损失函数反向传播到图像转换网络的参数中，而不是直接到「复刻结果中。
任意风格迁移虽然前馈法可以立即生成风格化的结果，但它只能对一个给定的风格图像进行复刻。
是否可以训练一个网络可以接受任何风格图像，并从这两张图像中产生一个风格化的结果呢？
换句话说，能不能做出一个真正任意的风格转移网络？
几年前，有研究人员发现，图像转换网络中的实例归一化层是唯一重要的代表风格的层。
如果保持所有卷积参数不变，只学习新的实例正则化参数，就可以实现在一个网络中表示完全不同的风格。
来自康奈尔大学的一个团队首次将这个想法变成现实。他们的解决方案是使用自适应实例归一化（Adaptive Instance Normalization），使用编码器-解码器架构从风格图像中生成Instance Norm参数，取得了相当好的效果。
当然，以上介绍的这三种方法都要求一定的编程计算机基础，但如果你只是想试玩Deep Dream Generator ，可以直接点击下方传送门：
参考链接
— 完 —
【不会编程也能做酷炫视频风格迁移？这个工具冲上Reddit热榜】量子位 QbitAI · 头条号签约
关注我们，第一时间获知前沿科技动态