改进的纹理网络：最大化前馈风格化与纹理合成的质量与多样性
计算机视觉与模式识别
2017-11-07 v2
摘要
Gatys 等人最近的工作通过卷积神经网络滤波器的统计特性来刻画图像风格，重新激发了人们对纹理生成和图像风格化问题的兴趣。虽然他们的图像生成技术采用缓慢的优化过程，但近期几位作者提出学习生成器神经网络，使其能在一次快速前向传递中产生类似输出。尽管生成器网络前景广阔，但其在视觉质量和多样性方面仍不如通过优化生成的方法。本文在两个重要方面推进了该技术。首先，我们引入实例归一化模块替代批归一化，显著提升了图像风格化的质量。其次，我们通过引入一种新的学习公式来提高多样性，该公式鼓励生成器从无偏地采样 Julesz 纹理系综，即由特定滤波器响应刻画的所有图像的等价类。这两项改进共同使得前馈纹理合成和图像风格化在保持速度优势的同时，其质量更接近于通过优化生成的方法。
引用
@article{arxiv.1701.02096,
title = {Improved Texture Networks: Maximizing Quality and Diversity in Feed-forward Stylization and Texture Synthesis},
author = {Dmitry Ulyanov and Andrea Vedaldi and Victor Lempitsky},
journal= {arXiv preprint arXiv:1701.02096},
year = {2017}
}