论文Arbitrary Style Transfer in Real-time with Adaptive Instance Normalization
图像风格变换的任务是，把一种风格域S1的图像转换成另一种风格域S2的图像。风格变换的同时保存图像的内容不变。
GAN火起来之后，有一些用GAN做图像风格变换的应用，比如Cycle GAN/Dual GAN/Disco GAN。他们的一般结构是使用两对G与D的组合，以确保转换风格而不变换内容。结构略庞大了一些，训练不方便。
而要提到的这批论文，想法和实现都很简单，转换效果也是很不错的。
要解决的问题
ok，先吐槽一下其它style transfer方法的弊端
1. 模型复杂，训练难
2. 不能完成任意风格变换。比如，训练时使用两中风格S1，S2，那么该模型能做的也就是这两种风格间的变换。
3. 有一些方法，依靠浅层的特征，比如直方图统计，而不能抓住图像的语义信息。
作者主要受到了两点启发
1. 论文Image Style Transfer Using Convolutional Neural Networks，在特征空间操作风格的变换。
2. Batch Normalization，Instance Normalization
方法
过程可以描述为：把content image和style image编码到同一特征空间；然后在特征空间给予content image的特征以style image特征的（统计）风格；最后再把特征解码成图像。
编码encoder
作者直接使用预训练的VGG模型,将图像编码到特征空间。具体的使用网络中的哪层特征，可以实验测试。论文使用
relu4_1
层。
解码decoder
训练学习一个CNN解码器，把特征恢复成图像。论文设计的解码器是编码器encoder成镜像结构。
AdaIN
先来回顾一下，BN：
IN：
他们做的是把一种高斯分布拉到另一种高斯分布，不同之处只是统计针对的对象略有差别，前者的样本是批量图像的一个通道，后者的样本是一张图像的某个通道。
作者扩展了IN为自适应的IN：
很简单吧，就是把content image的feature分布拉倒style image的feature分布，这样就在特征空间完成了风格变换。而由于stlye image可以任意输入，可以实现任意风格变换。
loss & train
loss包含两部分，用来限制风格与内容：
其中content loss，参考[1],使用特征空间的欧式距离。不直接使用图像空间的欧式距离是因为[1]的结论：高层的特征能得到物体以及其在输入图片中的排列的high-level信息，而不用太多的限制像素的值。
（但是也有GAN的论文，content loss使用的就是生成图像与label图像像素见得均方误差。）
style loss中，φi表示encoder的某一层，考虑了encoder中多个层中的统计差别。
results
1 quality
与几种方法的对比
此方法的转换效果很不错，取得了与’Ulyanov‘[2]相当的成绩（ 其方法针都针对各个style训练过，是single-style变换，而本文的方案是第一次遇到这种style）
2.speed
测试阶段，时间消耗在三个地方：编码content图像，编码style图像，解码特征。
使用GPU，（512x512 pixels）整个流程耗时约0.065s；如果只想把图像转换成某一种风格，则可以省略重复对style image的编码，效率提高。
3.转换风格的力度可控
当然，在loss函数中，控制参数lamda可以做到控制力度；
仅仅在测试阶段，控制
其实就是控制，中间合成的变换风格后的特征，有多大部分是AdaIN变换的，有多大部分是原图像的，很容易实现控制风格力度。
4.位置和颜色可控
控制变换后的图像的颜色分布，只是在style image图像加了一步预处理，将其的颜色与content的颜色分布匹配。
总结
该论文的方法相比state of art的其他单一风格转换的模型效果略逊一点，但也只是一点点。突出的优点是该方法简单，而且很灵活，计算速度可以达到real time；能实现任意风格的转换。
end.
[1] Image Style Transfer Using Convolutional Neural Networks
[2] Improved texture networks: Maximizing quality and diversity in feed-forward stylization and texture synthesis.