无偏图像风格迁移

近期快速图像风格迁移方法使用前馈神经网络从内容与目标风格图像组成的输入对中生成具有期望风格强度的输出图像。在现有方法中，内容与目标风格之间的中间风格图像是通过在编码特征空间中解码线性插值特征获得的。然而，迄今为止尚无工作分析此类风格强度插值的有效性。本文中，我们着手于风格插值的深入分析这一缺失的工作，并提出了一种在控制风格强度上更有效的方法。我们将风格迁移网络的训练任务解释为控制参数与输出风格强度之间的回归学习。在此理解下，现有方法是有偏的，因为训练是使用单侧的全风格强度数据（alpha = 1.0）进行的。因此，这种有偏学习不能保证生成对应于 0.0 到 1.0 之间风格控制参数的期望中间风格。为解决有偏网络的这一问题，我们提出了一种无偏学习技术，其使用无偏训练数据以及对应于 alpha = 0.0 的无偏损失，使前馈网络在 alpha = 0.0 时生成零风格图像，即内容图像。我们的实验结果验证了，我们的无偏学习方法实现了零风格强度下内容图像的重建、风格控制参数与输出风格之间更好的回归设定，以及更稳定的、对风格损失权重不敏感的风格迁移，且在图像生成过程中无额外复杂度。