GitHub上大热的Deep Photo终于有TensorFlow版了！
Prisma这个应用，你可能很熟悉。这是一个能将不同的绘画风格，迁移到照片中，形成不同艺术风格的图片。
今年4月，美国康奈尔大学和Adobe的一个研究团队Fujun Luan和Sylvain Paris等人，在arvix上通过论文“Deep Photo Style Transfer”，提出了一种叫做“深度摄影风格转换”的演化技术，能将一张照片的风格，迁移到另一张照片中，下图就是原论文中给出的实际示例。
△原论文的效果示例
原论文作者Fujun Luan给出了Ubuntu 14.04系统下的Torch实现，见文末的相关链接2。
但是该Torch代码实现需配置复杂的MATLAB环境，浙江大学Yang Liu同学将该Torch实现转换成了TensorFlow实现，
下面是对这个TF实现的介绍：
这份TensorFlow实现支持Adam算法和原作者使用的L-BFGS-B算法。当TensorFlow升级到更高版本时，此代码中的ScipyOptimizerInterface函数可能不兼容。
由于TensorFlow的自动转换功能，本文的TensorFlow实现似乎更为简单。此外，本文并不依赖于MATLAB软件，而是使用了另一个计算库Matting Laplacian Sparse Matrix。图2是将照片风格转移到另一张照片的示例。本实现还参考了martinbenson的代码。
△风格迁移示例 环境配置
1. 依赖库：
-
Tensorflow
-
Numpy
-
Pillow
-
Scipy
-
PyCUDA（仅在CUDA 8.0上测试过平滑局部仿射的功能）
建议使用Anaconda，这样仅需再安装TensorFlow和PYCUDA即可。可选装CUDA加速库，建议安装。
2. 下载VGG-19模型权重
VGG-19模型的权重矩阵由Tensorflow版本的VGG模型微调得到，仅对类别接口进行了少量修改，VGG-19模型权重被存储为npy文件。下载后，将该权重文件复制到此目录下./project/vgg19。
VGG和VGG-19的详情见文末相关链接。
使用方法
1. 基本方法
你只需要给出目标图像路径、风格图像路径、目标图像分割（content image segmentation）路径和风格图像分割（style image segmentation）路径，即可运行命令。
python deep_photostyle.py --content_image_path
代码示例：
python deep_photostyle.py --content_image_path ./examples/input/in11.png --style_image_path ./examples/style/tar11.png --content_seg_path ./examples/segmentation/in11.png --style_seg_path ./examples/segmentation/tar11.png --style_option 2
2. 其他选项
设置style_option的值，可得到三种不同的风格迁移方式。当style_option为0时，可得到分割后的中间结果，与Torch代码中neuralstyle_seg.lua文件相似；当style_option为1时，进一步使用这个中间结果生成最终结果，与Torch代码中deepmatting_seg.lua文件相似；当style_option为2时，将这两个步骤组合为一行命令，直接生成最终结果。
运行命令python deep_photostyle.py –help，可查看所有选项。
3. 图像分割
这个库不提供图像分割脚本的代码，仅能使用Torch版本的图像分割代码。本实现使用的掩码颜色与其相同。你也可以定义独特的分割模型和掩码颜色，来定制风格迁移系统。
例子
以下是利用TensorFlow实现算法得到的一些示例（以下四列从左到右分别是输入图像、风格图像、Torch效果和TensorFlow效果）
△Torch实现和TensorFlow实现效果对比 原作者信息 @misc{YangPhotoStyle2017,author = {Yang Liu}, title = {deep-photo-style-transfer-tf}, publisher = {GitHub}, organization={Alibaba-Zhejiang University Joint Research Institute of Frontier Technologies}, year = { 2017}, howpublished = {url{https://github.com/LouieYang/deep-photo-styletransfer-tf}}} 相关链接
1.论文传送门：
https://arxiv.org/abs/1703.07511
2.原论文的Torch实现：
https://github.com/luanfujun/deep-photo-styletransfer
3.VGG模型的TensorFlow实现：
https://github.com/machrisaa/tensorflow-vgg
4.VGG-19模型下载：
https://drive.google.com/file/d/0BxvKyd83BJjYY01PYi1XQjB5R0E/view?usp=sharing