面向可控与增强风格迁移的风格计算分解

神经风格迁移已被证明在卷积神经网络（CNN）的帮助下能够有力创作艺术图像。然而，目前仍缺乏对艺术风格的感知成分的计算分析。与一些通过预处理或后处理技术研究风格的早期尝试不同，我们基于 CNN 生成的特征图系统地研究风格的特性。首先，我们使用基于频谱的方法（包括快速傅里叶变换（FFT）、离散余弦变换（DCT））以及潜变量模型（如主成分分析（PCA）、独立成分分析（ICA））将风格计算分解为基本元素。然后，风格的分解引出了多种控制风格元素的方式，这些方式可作为模块嵌入最先进的风格迁移算法中。这种风格分解带来了若干优势。它使得能够通过我们的风格基对不同艺术风格进行计算编码，相似风格聚在一起，从而基于来自多个风格的风格基促进风格的混合或干预，以生成复合风格或新风格来产生风格化图像。实验证明了我们的方法不仅在绘画风格迁移上有效，也在素描风格迁移上有效，这表明了其在图像到素描问题上的可能应用。