32位C++改编 风格转移(style)之应用(生成) ---（五）邻近插值放大+卷积（vs）反向卷积

哪个上采样层实际上并不是用反卷积来实现的，从超分辨重建部分知道，反卷积相当于插零值+卷积。

这里用邻近插值4倍放大+步长为2的卷积（2倍缩小） 代替 2倍放大的反向卷积 ： 4-2=2

邻近插值放大 从博文《最近邻内插值与双线性插值》拿来修改一下在这里使用：

//最近邻插值
void NearestInsert(const float *OriImage_c, int OriWidth, int OriHeight,float *OutImage_c, int Width, int Height)
{
 
 
	double fx = (double)OriHeight / (double)Height;//height方向上的比值
	double fy =  (double)OriWidth / (double)Width;//width方向上的比值
	
	for (int x = 0; x < Height; x++)
	{
		for(int y = 0; y < Width; y++)
		{
				int out =  x * Width + y ;
				int ori = (int)(fx * x) * OriWidth + (int)(fy * y)  ;
				OutImage_c[out] = OriImage_c[ori];
 
		}
			
	}
	
}

这是一个通道插值（已去掉原方法中的多通道插值<混合数据，我们这里是分离的>）

再用到我们这里：

void 最近邻插值(卷积层 & si,卷积层 & di)
{

	int wh_s=si.width*si.height;
	int wh_d=di.width*di.height;
 
	for(int p=0;p

加上步长2 的卷积会总：

void resize_conv2d(卷积层 & si,卷积层 & di,层数据 * 层)
{
        int new_height = si.height*4;//height * strides * 2
        int new_width = si.width*4;//width * strides * 2
	卷积层 new_tmp(new_width,new_height,si.depth);//
	new_tmp.data=new float[new_width*new_height*si.depth]; 

        //x_resized = tf.image.resize_images（x，[new_height，new_width]，tf.image.ResizeMethod.NEAREST_NEIGHBOR）
	最近邻插值( si,new_tmp);

        //return conv2d（x_resized，input_filters，output_filters，kernel，strides）
	vl_nnconv(&new_tmp,&di,层 ,2,2,1,1,1,1);
	del卷积层(new_tmp);

}

由于这里有点4倍放大，全部程序中这里用到内存最大

全部已经结束，如有未尽之处当在超分辨重建部分

mosaic风格模型效果图：

原图转换图

再来一张：

原图转换图

下载：

win32位编译的 mosaic图风格转换(style)

win32位编译的 风格转换(style)的应用程序，是mosaic风格模型，使用了OpenBLAS加速，详细情况参看博客

地址：

https://download.csdn.net/download/juebai123/10835972

其它6种风格图模型效果：

下载：

https://pan.baidu.com/s/1rudcbncxyfIl8UXqUv1CWA

下载后放到一起，用一个批文件（bat）切换(按说明)

结束。