StyleBank：用于神经图像风格迁移的显式表示

我们提出了 StyleBank 用于神经图像风格迁移，它由多个卷积滤波器组构成，每个滤波器组显式地表示一种风格。为了将图像迁移为特定风格，相应的滤波器组在单个自编码器产生的中间特征嵌入之上进行操作。StyleBank 与自编码器被联合学习，其学习方式使得自编码器不编码任何风格信息，这得益于显式滤波器组表示所引入的灵活性。它还使我们能够进行增量学习，即在保持自编码器固定的同时，通过学习一个新的滤波器组来添加新的图像风格。显式的风格表示与灵活的网络设计使我们不仅能在图像层级融合风格，还能在区域层级融合风格。我们的方法是首个回溯至传统纹理元映射方法的风格迁移网络，从而为神经风格迁移提供了新的理解。我们的方法易于训练，实时运行，并且产生在定性上更好或至少与现有方法相当的结果。