一种利用两个轻型的卷积神经网络来学习获取任意迁移矩阵的方法.doc
《一种利用两个轻型的卷积神经网络来学习获取任意迁移矩阵的方法.doc》由会员分享,可在线阅读,更多相关《一种利用两个轻型的卷积神经网络来学习获取任意迁移矩阵的方法.doc(4页珍藏版)》请在三一文库上搜索。
1、一种利用两个轻型的卷积神经网络来学习获取任意迁移矩阵的方法艺术风格转换算得上是AI最有趣的应用之一了,你可以将梵高的名画风格添加到自己的照片中,也可以个自己的头像来一幅映像派的油画。它同时处理风格图像和内容图像来进行合成,使得生成的结果在保持了内容的前提下获得了风格图像的质感与美学特征。但目前的算法模型实现比较庞大,同时会消耗很大的计算资源,在一定程度上限制了人工智能对于美的创造。近日,来自英伟达的研究人员与加州大学默塞德分校的研究人员们共同提出了一种新的风格迁移算法,不仅大幅提高了风格迁移的效率,同时实现了任意图片的风格转换,这使得AI对于图像的创造迈向了更广阔的天地。对于提供的随机图片,这
2、一算法可以将参考图片中的任意风格进行抽取并基于内容图片进行合成输出。近来的任意风格转换算法主要通过内容图片特征与预先计算得到的转化矩阵相乘。但这些算法十分消耗计算,同时合成的图像有时也不尽如人意。为了解决这些问题,研究人员们从理论上得到了迁移矩阵的表达形式,并给出了一种利用两个轻型的卷积神经网络来学习获取任意迁移矩阵的方法,这种基于学习的迁移矩阵可以通过不同层次的风格损失来控制,在保持内容图像的情况下灵活地结合多层次风格。同时,算法的实现具有很高的效率。这一工作的主要贡献在于以下三个方面:1.提出了一种线性迁移的通用方法,其优化过程同时可以最小化风格重建损失;2.提出了一种速度高达140fps
3、的迁移矩阵学习方法,可灵活的在单一迁移矩阵中结合多层次风格,并在迁移过程中保持内容特征;3.基于上述灵活性,这一方法可以广泛用于包括美学风格迁移、视频图像实际风格迁移以及领域迁移等很多任务中。在这一研究中,研究人员提出的模型包括两个前向卷积网络、一个对称的编码、解码图像重建结构以及迁移学习模块和损失模块等四个部分。其中编码器和解码器主要用于重建输入的图像,事先训练好后就固定下来作为网络的基础用于后续的训练过程。(编码器用于抽取输入图像中的特征,分别对内容和风格图像提取特征图Fc,Fs,而解码器则用于从抽取重建图像。)迁移模块主要包含了两个小卷积网络,用于从前面的编码器输出中抽取特征,并输出迁移
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 一种 利用 两个 轻型 卷积 神经网络 学习 获取 任意 迁移 矩阵 方法
链接地址:https://www.31doc.com/p-3363720.html