Tensorflow实现照片风格的迁移

相信很多人都用过Prisma这个app，可以将普通照片转换为想要的风格。其背后的原理，就是通过神经网络学习某个图像的风格，然后再将这种风格应用到其他图像上。

最近看了相关论文，A Neural Algorithm of Artistic Style还有Perceptual Losses for Real-Time Style Transfer and Super-Resolution，又参考了一些github上的相关项目，自己用tensorflow也实现了一个类似的网络。

网络结构

网络结构几乎完全按照论文中的描述实现，不同的是将论文中的Batch Norm全部换成了Instance Norm，原因是这样做以后，生成的图像效果更好。同时，deconvolution（transposed convolution）也全部换成了resize-convolution，理由就和我的上一篇文章中说的一样，可以防止棋盘格纹理的产生。再者，通常的zero padding被reflect padding取代，为了减少边界效应。另外，在我参考的github实现当中，我发现其residual block中没有BN或IN，这一点是和论文不同的，我自己加上以后，发现对最后结果影响不大，但是学习率和loss function等需要仔细调整，否则训练容易发散。

Loss Functions

要实现快速的风格转换，关键是使用Perceptual Losses。一个训练好的CNN，每一层特征抽象程度是不同的，层数越深，其学得的特征就越抽象，对图像的表达就越高层。Perceptual Loss就利用了CNN的这个特点。将一副普通照片输入我们的网络生成一副图像，再将该图像输入一个预训练的网络中（称为损失网络，loss net），我们希望生成的图像在loss net高层的特征尽可能和原始照片一致（保留原始照片的内容和结构），而较低层的特征尽可能和风格图像一致（保留风格图像的色彩和纹理）。这样，通过不断的训练，我们的网络能同时兼顾以上两个要求，从而实现了照片风格的转换。

论文中的Perceptual Losses主要由3部分组成，第一部分被称为feature loss或content loss，它度量了生成的图像与原始照片在类容结构上的一致性。

lϕ,jfeature(y^,y)=1CjHjWj||ϕj(y^)−ϕj(y)||2F

其中 y^ 为生成的图像， y 为原始图像， ϕj(∗) 为loss net第j层输出的feature map。这个loss很好理解，就是希望原始图像在loss net中第j层的特征要尽可能与生成图像在第j层的特征一致。在实际使用时，该loss的层级一般选得比较高，比如VGG16的第七个卷积层。

第二部分称为style loss，度量了生成的图像与风格图像在风格上的差异。但是如何度量风格呢，风格难以像content loss那样进行像素级的比较。论文中使用了Gram Matrix。

Gϕj(x)c,c′=1CjHjWj∑h=1Hj∑w=1Wjϕj(x)h,w,cϕj(x)h,w,c′

上式是loss net中第j层Gram Matrix的计算方法，c为该层输出的通道数，也即feature map的数量，所以Gram Matrix的大小与输入图像的大小无关，是一个c x c的矩阵。因此计算Gram Matrix时，也可以将大小为 Cj∗Hj∗Wj 的feature map先reshape为 Cj∗HjWj 的矩阵 ψ ，然后用 Gϕj(x)=ψTψ/CjHjWj 直接计算整个矩阵
这个loss看上去是神来之笔，但仔细分析后发现不难理解。Gram Matrix实际上可看做是feature之间的偏心协方差矩阵（即没有减去均值的协方差矩阵），在feature map中，每一个数字都来自于一个特定滤波器在特定位置的卷积，因此每个数字就代表一个特征的强度，而Gram计算的实际上是两两特征之间的相关性，哪两个特征是同时出现的，哪两个是此消彼长的等等，同时，Gram的对角线元素，还体现了每个特征在图像中出现的量，因此，Gram有助于把握整个图像的大体风格。有了表示风格的Gram Matrix，要度量两个图像风格的差异，只需比较他们Gram Matrix的差异即可。

lϕ,jstyle(y^,y)=||Gϕj(y^)−Gϕj(y)||2F

在实际使用时，该loss的层级一般选择由低到高的多个层，比如VGG16中的第2、4、7、10个卷积层，然后将每一层的style loss相加。

第三个部分不是必须的，被称为Total Variation Loss。实际上是一个平滑项（一个正则化项），目的是使生成的图像在局部上尽可能平滑，而它的定义和马尔科夫随机场（MRF）中使用的平滑项非常相似。

lTV(y^)=∑n||y^n+1−y^n||22

其中 yn+1 是 yn 的相邻像素。在tensorflow中可以有如下简单的实现：

def total_variation_loss(inputs):
    """ A smooth loss in fact. Like the smooth prior in MRF. V(y) = || y_{n+1} - y_n ||_2 :param inputs: :return: """
    dy = inputs[:, :-1, ...] - inputs[:, 1:, ...]
    dx = inputs[:, :, :-1, ...] - inputs[:, :, 1:, ...]
    size_dy = tf.size(dy, out_type=tf.float32)
    size_dx = tf.size(dx, out_type=tf.float32)
    return tf.nn.l2_loss(dy) / size_dy + tf.nn.l2_loss(dx) / size_dx

.
最终我们优化的目标，就是这三者的加权求和。而对于loss net，直接选择tensorflow中提供的VGG16或者VGG19即可。这几个loss以及loss net的具体实现可以看看github上的代码。

训练

训练的过程很坎坷，我的电脑GPU太弱，使用Adam，batch size设为4时，只能勉强使用192x192的图像作为输入，由于风格图像也需要缩小到这个尺度，所以过小的尺寸会影响最后生成图像的风格质量。在训练过程中，一些奇异图像（比如纯色或有大量噪声）会导致很大的loss，使训练很不稳定。改进方法之一是修改loss函数，上文所说的3个loss都使用了2范数作为度量，而2范数对噪声是很敏感的，因此，可以将loss中使用的2范数全部换为Huber loss（soft L1），在tensorflow中可以如下实现：

def _huber_loss(delta):
    delta = tf.abs(delta)
    less = tf.boolean_mask(delta, delta < 1)
    greater = tf.boolean_mask(delta, delta >= 1)
    return 0.5 * tf.reduce_sum(tf.pow(less, 2)) + tf.reduce_sum(greater - 0.5)

使用了Huber Loss后，每个loss的weight都要做相应的减小，差不多等于原来权重的开方，也可以考虑将weight变成动态递减的，否则content loss几乎不会下降。
令一个方法是在数据预处理阶段减少这类奇异图像的产生，尤其是纯黑或纯白的无类容图像。可以设定一个缩放范围，这个范围应该大于网络的输入大小，但也不能太大，在我的实现中，设定为网络输入大小的2倍，然后将所有图像（较短边）都随机的缩放到这一范围内，再进行random crop，这样可以降低裁剪到无类容区域的概率，加快收敛速度。

三个不同loss的权重，对最终效果的影响很大，一般而言，往往固定feature loss，将其权重设为1，然后调整style loss的权重，要让两个loss加权后的值在一个数量级上，这个权重通过少量的训练一般就可以看出来，比如训练一段时间后，发现feature loss大概在 105 的水平，而style loss大概在 103 水平，则style loss的权重就应该在100左右或更大一些。而TV loss的权重一般设得很小，甚至可以是0，直接不用。当然，以上只是一个基本的能够工作的设置方法，由于每个人的审美不同，完全可以有不同的设置方式。

另外，由于训练时间较长，在训练过程中保存所有变量（包括Adam中的变量和global step）是非常有必要的，中途若有突发情况打断了训练，还能恢复现场继续训练。训练采用的数据集是MS COCO，12G大小，共8万多张照片，在我这弱小的机器上训练了40000个iterations，花费了将近20小时。

使用

目标风格

风格迁移

目标风格

风格迁移

在进一步的使用中，我发现当照片中有大量纯色区域时，输出会出现灰色的“死区”，如下图

解决方法也很简单，在输入网络前，对照片加入一些随机噪声即可，比如标准差为5个像素的高斯噪声：

对原始照片加入噪声，不仅可以解决“死区”问题，还可以使每次生成的风格纹理都有一定的随机性。

最后，这种Perceptual Losses也可以用于图像的超分辨率，只需去掉style loss，而content loss一般取loss net中较低层的特征进行度量，比如VGG16的第二个卷积层。使用Perceptual Loss后产生的图像，边缘往往更清晰，图像细节更多，当放大倍数较高时尤为明显。