前言

论文的补充资料：Supplementary Material

以下Github链接是各种深度学习框架的实现：

5, 还有我基于Mxnet实现的一个版本： Mxnet fast-nueral-style

正文

论文的提出一个网络框架来解决图像变换的问题，然后论文在两个任务上做了实验，图像的风格化

和超分辨。本文只介绍风格化的思路，其实很直接就是训练一个图像变换网络，使之能够学会把输入

的图像转换为某一个风格的图像，之所以快就是因为只要 forward 一遍就能得到想要的风格化图片。

整个框架其实分为两部分，前面的图像变换网络（Image Transform Network）就是我们要训练的，

后面和Neural Style 文章的方法差别不大，就是loss的定义不同，用训练好的VGG网络来提取风格图片

和内容图片的高级特征，然后计算梯度，更新前面图像变换网络的权值，LOSS 网络的权值保持不变。

训练好了以后，后面的那部分就可以不用了。其实后面的部分可以更换不同的网络，比如ResNet。

Image Transform 网络的配置在论文的补充材料中有详细的介绍：

简单来说就是，前面三层卷积，对图片作了两次下采样，然后接5个相同的残差模块，

然后接两层反卷积层，恢复到输入图片的大小，最后再接一层卷积层大小保持不变，就得到了

图像变换网络的输出。残差模块的定义：

和之前的參差模块的最主要的区别是最后的Relu激活给去掉了。然后transform网络最后的卷积输出

的激活函数采用tanh。网络的定义的细节或者看代码更直接易

loss的计算，从图中可以看到，对于风格图的loss采用VGG的,relu1_2、relu2_2、relu3_3和relu4_3

的输出，内容的loss采用relu3_3的输出。然后就是比如现在要训练某种风格，风格图片（Style Target）

固定，而内容图片在换，每次迭代，Input Image 和 Content Traget是同一张图片，首先图像变换网络

forward一遍得到变换之后的图片，图中的，然后后面的部分就是三个图片 ys， yc, 分别过网络，

然后把所有的loss加起来得到最后的loss。具体的loss定义和实现细节可以看论文，还可以结合代码来

理解，上面提供了各种实现的链接。

接下来看看用Mxnet复现的结果。速度还可以，在GTX 1070 GPU上分辨率 1500 x 1000 的图片

也就0.3s 左右。效果也不错。