拉普拉斯引导的神经风格迁移

基于卷积神经网络(CNN)的神经风格迁移旨在合成一幅新图像，保留内容图像的高级结构，并以风格图像的低级纹理呈现。这是通过约束新图像具有与内容图像相似的高级CNN特征，以及与风格图像相似的低级CNN特征来实现的。然而在传统优化目标中，内容图像的低级特征缺失，且风格图像的低级特征主导了新图像的低级细节结构。因此在合成图像中，内容图像的许多细节丢失，并出现许多不一致且不悦目的伪影。作为补救，我们提出用一种新颖损失函数引导图像合成：拉普拉斯损失。由拉普拉斯算子产生的拉普拉斯矩阵（简称“拉普拉斯”）广泛用于计算机视觉中检测边缘和轮廓。拉普拉斯损失度量内容图像与新图像之间的拉普拉斯量之差，对应地度量细节结构之差。它灵活且与传统风格迁移约束兼容。通过引入拉普拉斯损失，我们获得用于神经风格迁移的新优化目标，名为Lapstyle。最小化该目标将产生更好地保留内容图像细节结构并消除伪影的风格化图像。实验表明Lapstyle在不损害其“风格性”的前提下，产生具有更少伪影且更吸引人的风格化图像。