1.摘要

Leon Gatys 等人研发的深度神经网络使用神经的表达来分离任意图片的内容和风格，为生成艺术图片提供一个神经算法。本文基于Style Transfer算法，使用风格成本函数训练CNN，用卷积神经网络提取图像特征，依次提取内容图像的内容和风格图片的风格。因此，本文的主要工作就是实现Gatys等人提出的基于卷积神经网络（CNN）的图像风格迁移，并在此基础上基于flask实现一个图像风格迁移web应用。

2. 概述

图像风格迁移就是指将一张风格图片的艺术风格迁移到另一张内容图片上，最后得到一张生成图片。使得图像在保证内容特征不发生大的改变的情况下学习到艺术风格，如图所示。

早期的风格迁移有基于纹理合成和基于非真实感渲染两种。其中基于纹理合成的方法有 Julesz提出的基于纹理建模来进行特征提取的方法，用获得的像素进行 n 阶信息统计特征的相似程度来表达视觉上的差异; Bergen等人用金字塔图片来匹配不同尺度的滤波器响应直方图来分析纹理，而非直接统计像素点。总的来说，参数化纹理建模就是先用滤波器提取图像的纹理特征，之后用重采样方法合成新的纹理。基于非真实感渲染的方法有Lu提出的通过对笔触的交叉、拖尾和颜色混合的处理，将原来的图像渲染成多色彩立体风格图像; Wang使用了通过颜色转换、基于显著性的细节层次图绘制、手震模拟和湿画效应模拟，最后产生艺术还原度极高的水彩画图像的方法; Hertzmann 等人提出了使用一系列长而弯曲的笔触，通过选择源图像的色彩，将风格表示为一组直观参数，通过调整参数改变绘画风格，但是基于笔触的算法是根据某一种特定的风格设计的，不能模拟任意的样式，局限性较大。随着深度学习的兴起，Gatys 等人利用迁移学习使用了Imagnet 数据集上预训练好了卷积神经网络( Convolutional Neural Networks，CNN) 模型来实现了图像风格迁移。同时定义了基于卷积神经网络风格迁移方法的损失函数，利用较高的卷积层特征来提供内容损失和综合多个卷积层的特征图来提供风格损失。从而使计算机辨别并学会艺术风格，从而用到普通照片上，就可成功地实现图像风格迁移。这种使用深度学习的风格迁移方法的效果要远远好于传统方法。