前言
任意风格迁移（Arbitrary style transfer）具有广阔的应用前景和重要的研究价值，是计算机视觉领域的研究热点。许多研究表明，任意风格迁移取得了显着的成功。然而，现有的方法可能会产生伪影（artifacts），有时会导致内容结构的失真（distortion）。 为此，本文提出一种新颖的模块，名为Attention-wise and Covariance-Matching Module (ACMM)，可以在没有伪影的情况下更好地保存内容结构。
一、背景介绍
任意风格迁移（Arbitrary style transfer）的主要任务就是学习目标图像的风格（Style image），将其应用于源图像（Content image），同时保持源图像的内容结构。
主要贡献：
（1）ACMM模块使用全局统计来计算注意图的协方差（covariance），来提升生成图像内容结构的保留，并且消除伪影。
（2）引入histogram loss来进一步提高生成结果的颜色饱和度。
（3）和SOTA方法比较，ACMM效果甚好。
二、相关工作
（1）基于Patch的方法：难以平衡内容结构和风格模式。
（2）基于统计学（statistics）的方法：AdaIN存在扭曲内容（content）和风格细节不足；WCT存在内容失真、扭曲。
（3）继WCT后的方法：忽视了局部风格样式。
（4）基于像素点（pixel-points）均值和标准差匹配的方法：内容结构失真；仅通过一个像素点难以确定语义是否相似；弱化全局特征信息。
三、方法论
网络结构：
损失函数：
四、实验
训练过程在单张 NVIDIA A100 GPU 上持续 50k 次迭代。
定性评估：
定量评估：
五、评价指标
(1) LPIPS：LPIPS是一种用于评价图像之间的感知相似性的指标。距离越小越好。
(2)SSIM:（structural similarity）结构相似性，也是一种全参考的图像质量评价指标，它分别从亮度、对比度、结构三方面度量图像相似性。SSIM取值范围[0,1]，值越大(↑)，表示图像失真越小.
(3)MSE表示当前图像X和参考图像Y的均方误差（Mean Square Error）。
(4)PSNR:（Peak Signal to Noise Ratio）峰值信噪比，基于对应像素点间的误差评估指标，因此会出现评价结果与人的主观感觉不一致的情况。
其中，MSE表示当前图像X和参考图像Y的均方误差（Mean Square Error），H、W分别为图像的高度和宽度；n为每像素的比特数，一般取8，即像素灰阶数为256. PSNR的单位是dB，数值越大(↑)表示失真越小。
(5)FID:（Frechet Inception Distance）是计算真实图像和生成图像的特征向量之间距离的一种度量。**分数越低(↓)代表两组图像越相似，**或者说二者的统计量越相似，FID 在最佳情况下的得分为 0.0，表示两组图像相同。文章来源：https://www.toymoban.com/news/detail-780113.html
总结
本文ACMM模块有效地缓解风格迁移伪影问题。虽然引入histogram loss损失增强了色彩渲染效果，但是增加了训练时间。以上就是关于这篇论文的主要内容。文章来源地址https://www.toymoban.com/news/detail-780113.html
到了这里，关于【风格迁移-论文笔记12.20】Arbitrary style transfer based on Attention and Covariance-Matching的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
![[oneAPI] Neural Style Transfer](https://imgs.yssmx.com/Uploads/2024/02/655179-1.png)
