用神经风格迁移生产美图，你就是下一个梵高！( 三 ) _迁移

笔者做出的最后一个修改是将转换为，而非Gatys等人使用的。笔者读过的大多数文章也推荐使用，但是笔者发现使用会忽略掉一些细节，且生成图片的风格会覆盖内容。
另一方面，可以保留这些细节，而无需对像素完美性进行过度惩罚。
进一步质量提升
现在已经讨论了笔者的神经风格迁移代码中所实施的全部技巧。在原有的教程基础上，已经极大提高了迁移质量。此外，和对于特定的图像选择具有更高的鲁棒性。
例如，笔者发现如果没有对教程进行适当的调整，一组图像的很难轻松迁移到另一组图像上。
也就是说，去除生成图片中的高频噪音可能会得到更好的结果。文章《可微的图像参数化》（，接触相关话题必须阅读的另一篇文章）提出了很有趣的方法。

文章插图
图源：
该文中，作者先在（去噪）傅里叶空间而非（噪声）像素空间中对参数化。因为由梯度下降法生成，对输入去相关化相当于一个预调节器，可通过梯度下降法更快找到最小值，从而使优化更易（与在监督学习任务中去除相关特征类似）。除了类似的简短解释如在去相关空间中发现的最小值更宽泛、更健壮外，我并不清楚为什么这能提高迁移质量。
更简单的方法是通过直接或间接惩罚来抑制高频噪声。直接惩罚可通过将的全变差损失添加到优化对象中来实现。相反，通过在每次梯度下降步骤后对进行模糊，或者在将噪音应用于之前对梯度进行模糊，可实现间接惩罚。
这两种方法存在的问题是，它们还会对真正的高频特性造成不利影响。可通过在训练时缩减总变化损失或模糊量来进行一定程度上的改善。

文章插图
图源：
笔者的初始目标是使用机器学习生成媒介形象图片。但在反复实验中，无意发现了一些很惊人的事。对笔者来说，整个过程中最有趣的部分是神经网络的端到端可微性。我们很容易地就能“颠倒”一个原本用于区分猫狗的模型，并用其生成无数种不同风格的图像，你还可以尝试用随机森林模型进行操作。
用神经风格迁移生成好看的图片了，这个过程听起来简单，但想要得到高质量的结果，确实是个技术活，可见即使有机器学习辅助，成为梵高依然不是件容易的事。
【用神经风格迁移生产美图，你就是下一个梵高！】

文章插图