今天要介紹的一個(gè)問(wèn)題是計(jì)算機(jī)視覺(jué)領(lǐng)域中的一個(gè)老問(wèn)題了，即圖像風(fēng)格化領(lǐng)域中的圖像風(fēng)格遷移及其背后的核心技術(shù)。

1.1 圖像風(fēng)格化

首先我們來(lái)看圖像風(fēng)格化，所謂風(fēng)格化的重點(diǎn)就在于風(fēng)格，它一定不是普通的圖片，而是對(duì)普通圖片進(jìn)行處理后，得到的擁有特殊風(fēng)格的作品，以Photoshop軟件為例，很早就內(nèi)置了非常多的濾鏡風(fēng)格，可以分為兩大類。

第一類是基于基于邊緣的風(fēng)格化，可以突出輪廓，創(chuàng)建出特殊的效果，如下圖1。

圖1 PS的邊緣風(fēng)格

上圖展示了Photoshop中幾種常見(jiàn)的基于邊緣的風(fēng)格化效果，從左到右分別是原圖，查找邊緣，等高線，浮雕效果，雖然各自效果有所不同，但是其中最核心的技術(shù)仍然是尋找到主體的邊緣。為了實(shí)現(xiàn)以上的風(fēng)格，首先要檢測(cè)到主體邊緣，可以使用傳統(tǒng)的邊緣檢測(cè)方法，如Sobel、Canny檢測(cè)算子，也可以采用深度學(xué)習(xí)方法進(jìn)行檢測(cè)。

第二類風(fēng)格就是基于顏色的風(fēng)格化，它通過(guò)更改像素值或者像素的分布，可以創(chuàng)造出特殊的風(fēng)格，如油畫(huà)、波紋，下圖2從左到右分別是原圖，波紋，凸出，油畫(huà)效果。

圖2 PS的顏色風(fēng)格

以上的風(fēng)格化，基于特定的圖像算法規(guī)則，模式固定，只能處理特定數(shù)量的風(fēng)格。而隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于深度學(xué)習(xí)的風(fēng)格化方法被廣泛研究并且取得了非常好的效果，開(kāi)啟了一個(gè)新的研究領(lǐng)域，風(fēng)格遷移。

1.2 風(fēng)格遷移

風(fēng)格遷移的重點(diǎn)在于遷移，它是將一幅圖中的風(fēng)格，遷移到另一幅圖中。2015年德國(guó)圖賓根大學(xué)科學(xué)家在論文《A Neural Algorithm of Artistic Style》[1]中提出了使用深層卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，創(chuàng)造出了具有高質(zhì)量藝術(shù)風(fēng)格的作品。

該網(wǎng)絡(luò)將一幅圖作為內(nèi)容圖，從另外一幅畫(huà)中抽取藝術(shù)風(fēng)格，兩者一起合成新的藝術(shù)畫(huà)，從而使得神經(jīng)網(wǎng)絡(luò)風(fēng)格遷移領(lǐng)域（ Neural Style Transfer）誕生。

圖3 Neural Style Transfer

圖3中A圖就是內(nèi)容圖，B圖左下角就是風(fēng)格圖，B圖大圖就是融合了A圖的內(nèi)容和風(fēng)格圖的風(fēng)格，從而可以實(shí)現(xiàn)任意風(fēng)格的遷移，不必局限于特定的算法，下圖4展示了一些案例，每一種風(fēng)格都有著獨(dú)特的美感，主體和背景的處理都非常好。

圖4 多種Neural Style Transfer風(fēng)格

1.3 風(fēng)格遷移算法原理

生物學(xué)家證明了人腦處理信息具有不同的抽象層次，人的眼睛看事物可以根據(jù)尺度調(diào)節(jié)抽象層次，當(dāng)仔細(xì)在近處觀察一幅圖時(shí)，抽象層次越低，我們看到的是清晰的紋理，而在遠(yuǎn)處觀察時(shí)則看到的是大致的輪廓。實(shí)際上卷積神經(jīng)網(wǎng)絡(luò)就是實(shí)現(xiàn)和證明了這樣的分層機(jī)制的合理性。將各個(gè)神經(jīng)元看做是一個(gè)圖像濾波器，輸出層就是由輸入圖像的不同濾波器的組合，網(wǎng)絡(luò)由淺到深，內(nèi)容越來(lái)越抽象。

研究者基于此特點(diǎn)提出圖片可以由內(nèi)容層(content)與風(fēng)格層(style)兩個(gè)圖層描述，內(nèi)容層描述圖像的整體信息，風(fēng)格層描述圖像的細(xì)節(jié)信息。

所謂內(nèi)容，指得是圖像的語(yǔ)義信息，即圖里包含的目標(biāo)及其位置，它屬于圖像中較為底層的信息，可以使用灰度值，目標(biāo)輪廓等進(jìn)行描述。

而風(fēng)格，則指代筆觸，顏色等信息，是更加抽象和高層的信息。

圖像風(fēng)格可以用數(shù)學(xué)式子來(lái)描述，其中常用的是格拉姆矩陣(Gram Matrix)，它的定義為n維歐氏空間中任意k個(gè)向量的內(nèi)積所組成的矩陣，如下：

基于圖像特征的Gram矩陣計(jì)算方法如下：

Glij向量化后的第l個(gè)網(wǎng)絡(luò)層的特征圖i和特征圖j的內(nèi)積，k即向量的長(zhǎng)度。

格拉姆矩陣可以看做特征之間的偏心協(xié)方差矩陣，即沒(méi)有減去均值的協(xié)方差矩陣。內(nèi)積之后得到的矩陣的對(duì)角線元素包含了不同的特征，而其他元素則包含了不同特征之間的相關(guān)信息。因此格拉姆矩陣可以反應(yīng)整個(gè)圖像的風(fēng)格，如果我們要度量?jī)蓚€(gè)圖像風(fēng)格的差異，只需比較他們Gram Matrix的差異即可。

假設(shè)我們有兩張圖，一張是欲模仿的風(fēng)格圖s，一張是內(nèi)容圖c，想要生成圖x，風(fēng)格遷移轉(zhuǎn)換成數(shù)學(xué)問(wèn)題，就是最小化下面這個(gè)函數(shù)。

因此當(dāng)我們要實(shí)現(xiàn)一個(gè)濾鏡算法時(shí)，只需要提取風(fēng)格圖的風(fēng)格，提取要使用濾鏡的圖的內(nèi)容，然后合并成最終的效果圖。

目前風(fēng)格遷移主要有兩大類方法，基于圖像優(yōu)化的風(fēng)格遷移算法和基于模型優(yōu)化的風(fēng)格遷移算法。

本節(jié)我們來(lái)介紹基于圖像優(yōu)化的風(fēng)格遷移算法，這是最早期的風(fēng)格遷移算法。

基于圖像優(yōu)化的方法是在圖像像素空間做梯度下降來(lái)最小化目標(biāo)函數(shù)，以Gary等人提出的經(jīng)典算法[1]為例，下圖5是該算法的原理圖。

圖5 Neural Style Transfer算法原理

圖中包含了2個(gè)輸入通道，分別用于進(jìn)行內(nèi)容重建(Content construction)和風(fēng)格重建(Style construction)。

(1) 內(nèi)容重建通道。選擇某一個(gè)抽象級(jí)別較高的特征層計(jì)算內(nèi)容損失，它的主要目標(biāo)是保留圖像主體的內(nèi)容和位置，損失計(jì)算如下，使用了特征的歐式距離，F(xiàn)ijl和Pijl分別是第l層生成圖和內(nèi)容圖的特征值。

內(nèi)容重建之所以不使用多尺度，是因?yàn)閮?nèi)容圖本身只需要維持可識(shí)別的內(nèi)容信息，多尺度不僅會(huì)增加計(jì)算量，還引入噪聲，抽象層次較低的低尺度關(guān)注了像素的局部信息，可能導(dǎo)致最終渲染的結(jié)果不夠平滑。

(2) 風(fēng)格重建通道。與內(nèi)容重建不同，CNN從底層到高層的每一層都會(huì)對(duì)風(fēng)格有貢獻(xiàn)，因?yàn)轱L(fēng)格采用格拉姆矩陣進(jìn)行表述，所以損失也是基于該矩陣計(jì)算，每一層加權(quán)相加，第l層的損失定義如下。

整個(gè)的風(fēng)格損失函數(shù)就是各層相加，

風(fēng)格重建使用多尺度不僅有利于模型的收斂，而且兼顧了局部的紋理結(jié)構(gòu)細(xì)節(jié)和整體的色彩風(fēng)格。

圖6 Neural Style Transfer算法優(yōu)化

當(dāng)然最原始的遷移算法也存在著一些固有的缺陷，包括無(wú)法保持目標(biāo)的顏色，紋理比較粗糙，無(wú)法識(shí)別語(yǔ)義內(nèi)容導(dǎo)致目標(biāo)風(fēng)格不完整，或者出現(xiàn)錯(cuò)亂，比如將天空的風(fēng)格遷移到大地等，后續(xù)的研究者們對(duì)其提出了許多的改進(jìn)，其中最具有代表性的是Adobe公司[2]的真實(shí)場(chǎng)景風(fēng)格轉(zhuǎn)換，它們只遷移圖像的顏色而不改變紋理，作者稱之為照片風(fēng)格遷移(photo style transfer)。

圖7 photo style transfer

更多的基于圖像優(yōu)化的風(fēng)格遷移算法，讀者可以自行拓學(xué)習(xí)。

基于圖像優(yōu)化的方法由于每個(gè)重建結(jié)果都需要在像素空間進(jìn)行迭代優(yōu)化，這種方式無(wú)法實(shí)時(shí)，因此研究人員開(kāi)始研究更加高效的方法，即基于模型優(yōu)化的方法，它的特點(diǎn)是首先使用數(shù)據(jù)集對(duì)某一種風(fēng)格的圖進(jìn)行訓(xùn)練得到一個(gè)風(fēng)格化模型，然后在使用的時(shí)候只需要將輸入圖經(jīng)過(guò)一次前向傳播就可以得到結(jié)果圖，根據(jù)模型與風(fēng)格數(shù)量可以分為許多方向，下面分別介紹。

3.1  單模型單風(fēng)格及其改進(jìn)

Justin Johnson等人提出的方法[3]是一個(gè)典型的單模型單風(fēng)格框架，通過(guò)圖像轉(zhuǎn)換層(Image Transform Net)來(lái)完成整個(gè)的渲染過(guò)程，在損失網(wǎng)絡(luò)(VGG16 Loss Network)的約束下，分別學(xué)習(xí)內(nèi)容和風(fēng)格。該模型用于訓(xùn)練的風(fēng)格圖數(shù)據(jù)集必須屬于同一種風(fēng)格，而內(nèi)容圖則可以任意選擇。

與基于圖像優(yōu)化的方法相比，基于模型優(yōu)化的方法不需要反復(fù)地迭代，速度快了兩三個(gè)數(shù)量級(jí)，下圖8所示是它的模型結(jié)構(gòu)。

圖8 基于模型的風(fēng)格化

這個(gè)模型可以分為兩部分，Image Transform Net是圖像轉(zhuǎn)換網(wǎng)絡(luò)，VGG16是損失網(wǎng)絡(luò)。圖像轉(zhuǎn)換網(wǎng)絡(luò)輸入x，輸出y，它和風(fēng)格圖ys，內(nèi)容圖yc經(jīng)過(guò)同樣的網(wǎng)絡(luò)，分別計(jì)算風(fēng)格損失和內(nèi)容損失，注意這里的yc實(shí)際上就是輸入圖x。

內(nèi)容損失采用的是感知損失，風(fēng)格損失與基于圖像優(yōu)化的方法一樣采用Gram矩陣來(lái)定義，都已經(jīng)介紹過(guò)許多次了，就不再贅述。

3.2 單模型多風(fēng)格

單模型單風(fēng)格對(duì)于每一種風(fēng)格都必須重新訓(xùn)練模型，這大大限制了它們的實(shí)用性，因此研究人員很快便開(kāi)始研究單模型多風(fēng)格框架。Style bank[4]是其中的一個(gè)典型代表，它使用了一個(gè)濾波器組來(lái)代表多個(gè)風(fēng)格，原理如下圖9：

圖9 Style bank框架

從圖可以看出，輸入圖I首先輸入一個(gè)編碼器得到特征圖，然后和StyleBank相互作用。StyleBank包括n個(gè)并行的濾波器組，分別對(duì)應(yīng)n個(gè)不同的風(fēng)格。每一個(gè)濾波器組中的每一個(gè)通道可以被看作是某一種風(fēng)格元素，比如紋理類型，筆觸類型。

模型總共包含兩個(gè)分支，第一個(gè)是從編碼器到解碼器，它要求重建的圖像O和輸入圖像I在內(nèi)容上一致，因此采用的損失函數(shù)就是逐個(gè)像素的均方誤差損失。

另一個(gè)分支是從編碼器到風(fēng)格化濾波器到解碼器，它要求對(duì)于不同的風(fēng)格生成不同的風(fēng)格輸出。對(duì)于這一個(gè)分支，包括一個(gè)內(nèi)容損失，一個(gè)風(fēng)格損失，以及一個(gè)平滑損失, 具體的內(nèi)容損失和風(fēng)格損失與Gatys論文中一樣。

在具體訓(xùn)練的時(shí)候，針對(duì)K個(gè)不同的風(fēng)格，首先固定編解碼器分支，對(duì)風(fēng)格化分支訓(xùn)練K輪。然后固定風(fēng)格化分支，對(duì)編碼器分支訓(xùn)練1輪。

StyleBank方法的特點(diǎn)是：

(1) 多個(gè)風(fēng)格可以共享一個(gè)自編碼器(Auto-encoder)。

(2) 可以在不更改自編碼器(Auto-encoder)的情況下對(duì)新的風(fēng)格進(jìn)行增量學(xué)習(xí)。

另外還有的方法通過(guò)學(xué)習(xí)實(shí)例歸一化(Instance Normalization)后的仿射變換系數(shù)的方法[5]來(lái)控制不同風(fēng)格的圖像，實(shí)例歸一化表達(dá)式如下：

取對(duì)應(yīng)某風(fēng)格的縮放系數(shù)和偏移系數(shù)就實(shí)現(xiàn)了對(duì)應(yīng)風(fēng)格的歸一化。

圖10 Instance Normalization

3.3 單模型任意風(fēng)格

單模型多風(fēng)格框架在增加新的風(fēng)格時(shí)總需要重新訓(xùn)練模型，單模型多風(fēng)格算法可以通過(guò)學(xué)習(xí)實(shí)例歸一化的仿射變換系數(shù)來(lái)控制多種風(fēng)格的轉(zhuǎn)換，研究表明[6]這種仿射參數(shù)其實(shí)可以由風(fēng)格圖本身的統(tǒng)計(jì)信息來(lái)替代，用風(fēng)格圖圖像的方差和均值分別替代，就可以生成任意風(fēng)格的圖像，該層被稱為AdaIN層，其定義如下式。

其中x是內(nèi)容圖，y是風(fēng)格圖，可以看出使用了內(nèi)容圖的均值和方差進(jìn)行歸一化，使用風(fēng)格圖的均值和方差作為偏移量和縮放系數(shù)，整個(gè)模型原理圖如下圖。

圖11 基于AdaIN的風(fēng)格遷移

損失包括內(nèi)容損失和風(fēng)格損失兩部分。內(nèi)容損失的計(jì)算是比較AdaIN層的輸出與最終的輸出圖之間的L2損失，風(fēng)格損失則使用了VGG不同特征層的均值和方差的L2損失而不是使用基于Gram矩陣的損失，形式更加簡(jiǎn)單。

3.4 小結(jié)

目前AdaIN層已經(jīng)在圖像風(fēng)格化，圖像生成等領(lǐng)域中被廣泛應(yīng)用，屬于圖像風(fēng)格遷移的標(biāo)配技術(shù)，單模型任意風(fēng)格在實(shí)際應(yīng)用中也更加有效。

當(dāng)前風(fēng)格遷移模型還存在著一些重難點(diǎn)，包括：

(1) 高效率地學(xué)習(xí)到任意的風(fēng)格。

(2) 如何對(duì)不同區(qū)域進(jìn)行精確的風(fēng)格控制。

(3) 如何控制風(fēng)格化的筆觸大小。

(4) 如何根據(jù)需要保留顏色或者紋理。

(5) 如何保留圖像中重要的信息，如深度。

(6) 基于GAN的風(fēng)格遷移模型。

本文參考資料：

更多內(nèi)容細(xì)節(jié)和實(shí)踐，請(qǐng)參考我最近出版的新書(shū)，《深度學(xué)習(xí)之?dāng)z影圖像處理》，介紹如下：

言有三新書(shū)來(lái)襲，業(yè)界首本深度學(xué)習(xí)計(jì)算攝影書(shū)籍，科技與藝術(shù)的結(jié)合

轉(zhuǎn)載文章請(qǐng)后臺(tái)聯(lián)系

侵權(quán)必究