风格迁移

A Neural Algorithm of Artistic Style：https://arxiv.org/pdf/1508.06576v2.pdf

一. 介绍

1. Content reconstructions: 

CNN被广泛运用于训练目标识别，随着训练的进行，它们能够有一种将图片抽象的能力。最终，图片被抽象为只含有实际内容的信息，而丢掉许多像素细节。越多层的CNN越能捕捉主要的图片内容。所以我们将深层的CNN抽象出来的内容称为content representation.

2. Style reconstructions:

为了获得图片的风格特征，我们利用feature space去捕捉图片的质地特征。这些feature space建立于每层网络的filter之上。它由特征图(feature map)的空间范围内的不同滤波器响应之间的相关性组成。

这篇论文的发现是style reconstructions和content reconstructions是可分的。那就是说，可以分别从不同的图片得到style和不同的图片得到content，然后将它们结合起来，构成新的图片。

二. 方法

1. 结构

(1) style reconstructions

We used the feature space provided by the 16 convolutional and 5 pooling layers of the 19 layer VGG-Network. We do not use any of the fully connected layers.

(2) image synthesis

we found that replacing the max-pooling operation by average pooling improves the gradient flow and one obtains slightly more appealing results, which is why the images shown were generated with average pooling.

2. 误差函数

(1) content reconstructions loss function:

每层有N_l个不同的滤波器，有N_l个M_l大小的feature map, M_l指的是feature map的高度乘以宽度。 所以feature在l层的表示被存在一个F_L的矩阵里，F_l(i,j)指的是在l层，位置j的第i个filter的激活值。P_I(i,j)就是在上面位置的原图的值。

(2) style reconstructions loss function:

(3) image synthesis loss function: