分离风格与内容以实现泛化风格迁移

神经风格迁移近年来引起了广泛关注。然而，大多数现有方法旨在显式建模不同风格之间的变换，因此所学模型无法泛化到新风格。本文尝试分离风格与内容的表示，并提出一种由风格编码器、内容编码器、混合器和解码器组成的泛化风格迁移网络。风格编码器和内容编码器分别用于从风格参考图像和内容参考图像中提取风格因子和内容因子。混合器采用双线性模型整合上述两类因子，最终将其送入解码器以生成具有目标风格和内容图像。为分离风格特征与内容特征，我们利用给定图像时风格与内容的条件依赖性。训练期间，编码器网络从两组规模有限的参考图像中学习提取风格与内容，一组共享风格，另一组共享内容。该学习框架允许多种风格间同时迁移，可视为一种特殊的“多任务”学习场景。编码器有望捕捉不同风格与内容的底层特征，从而泛化到新风格与新内容。为验证，我们将所提算法应用于中文字体迁移问题。在字符生成上的大量实验结果表明了方法的有效性与鲁棒性。