【每周CV论文】初学GAN图像风格化必须要读的文章
欢迎来到《每周CV论文》。在这个专栏里，还是本着有三AI一贯的原则，专注于让大家能够系统性完成学习，所以我们推荐的文章也必定是同一主题的。
图像风格化是生成对抗网络的一大应用，今天给大家推荐初学该领域必须要读的文章。
作者&编辑 | 言有三
1 有监督Pix2Pix模型
当前大部分基于生成对抗网络的风格化模型都受到了Pix2Pix的影响，或借鉴其部分结构，或借鉴其代码。Pix2Pix是一个条件GAN的变种，它使用成对的图像作为训练数据集，完成图像到图像的翻译，是最经典的有监督图像风格化GAN模型。
文章引用量：3000+
推荐指数：✦✦✦✦✦
[1] Isola P, Zhu J Y, Zhou T, et al. Image-to-image translation with conditional adversarial networks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 1125-1134.
2 无监督CycleGAN
Pix2Pix是最经典的有监督图像风格化GAN模型，CycleGAN[2]则是最经典的无监督图像风格化GAN模型，是后续大部分无监督GAN模型的鼻祖。它无须构建一对一映射的训练数据集，是图像风格化能够真正得以大规模商业化应用的基础，类似的框架还有UNIT[3]。
文章引用量：3000+
推荐指数：✦✦✦✦✦
[2] Zhu J Y, Park T, Isola P, et al. Unpaired image-to-image translation using cycle-consistent adversarial networks[C]//Proceedings of the IEEE international conference on computer vision. 2017: 2223-2232.
[3] Liu M, Breuel T M, Kautz J, et al. Unsupervised Image-to-Image Translation Networks[C]. neural information processing systems, 2017: 700-708.
3 多领域转换StarGAN
原始的Pix2Pix，CycleGAN都只能解决两个领域之间的转换，虽然也可以对其进行拓展。StarGAN[4-5]的提出则只需要学习一个模型，就可以解决多领域间的转换问题，是当前最经典的多领域风格迁移框架。
文章引用量：600+
推荐指数：✦✦✦✦✦
[4] Choi Y, Choi M, Kim M, et al. Stargan: Unified generative adversarial networks for multi-domain image-to-image translation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 8789-8797.
[5] Choi Y, Uh Y, Yoo J, et al. StarGAN v2: Diverse Image Synthesis for Multiple Domains[J]. arXiv: Computer Vision and Pattern Recognition, 2019.
4 风格编码框架StyleGAN
在风格转换中最重要的就是学习到优秀的风格编码，StyleGAN[6]是当前最好的风格编码网络，它可以精确控制所生成图像的属性，是必须掌握的框架。
文章引用量：400+
推荐指数：✦✦✦✦✦
[6] Karras T, Laine S, Aila T. A style-based generator architecture for generative adversarial networks[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019: 4401-4410.
[7] Karras T, Laine S, Aittala M, et al. Analyzing and Improving the Image Quality of StyleGAN.[J]. arXiv: Computer Vision and Pattern Recognition, 2019.
5 典型应用
图像风格化可以用于任何从一个域到另一个或者多个域转换的场景，不论是图像增强，图像分割，还是特定的风格迁移，这里我们给大家推荐人脸方向的两个经典应用，妆造迁移[8]以及人脸动画风格[9]，其他的可以自行学习。
文章引用量：30+
推荐指数：✦✦✦✦✧
[8] Li T, Qian R, Dong C, et al. BeautyGAN: Instance-level Facial Makeup Transfer with Deep Generative Adversarial Network[C]. acm multimedia, 2018: 645-653.
[9] Kim J, Kim M, Kang H, et al. U-GAT-IT: Unsupervised Generative Attentional Networks with Adaptive Layer-Instance Normalization for Image-to-Image Translation[C]. international conference on learning representations, 2020.
6 文章解读
关于GAN图像风格化相关文章的详细解读，在有三AI知识星球-网络结构1000变-GAN下有较多的文章，感兴趣可以移步。
总结
本次我们介绍了基于GAN的图像风格化领域中值得读的文章，当前研究重点在于无监督模型，多域转换，图像细节控制，交互式方法等方向，读者可以继续关注。
有三AI知识星球
知识星球是有三AI的付费内容社区，里面包括各领域的模型学习，数据集下载，公众号的付费图文原稿，技术总结PPT和视频，知识问答，书籍下载，项目推荐，线下活动等资源，了解详细请阅读以下文章：
【杂谈】有三AI知识星球一周年了！为什么公众号+星球才是完整的？
【杂谈】万万没想到，有三还有个保密的‘朋友圈’，那里面都在弄啥！
转载文章请后台联系
侵权必究
往期精选
【每周论文推荐】 初入深度学习CV领域必读的几篇文章
【每周CV论文推荐】 掌握残差网络必读的10多篇文章
【每周CV论文推荐】 初学者必须精读的5篇深度学习优化相关文章
【每周CV论文推荐】 CV领域中数据增强相关的论文推荐
【每周CV论文推荐】 初学高效率CNN模型设计应该读的文章
【每周CV论文推荐】 初学目标检测必须要读的文章
【每周CV论文推荐】 初学深度学习图像分割必须要读的文章
【每周CV论文推荐】 初学GAN必须要读的文章
【每周CV论文推荐】 深度学习人脸检测入门必读文章
【每周CV论文推荐】 初学深度学习人脸关键点检测必读文章
【每周CV论文推荐】 初学深度学习人脸识别和验证必读文章
【每周CV论文推荐】 初学深度学习人脸属性分析必读的文章
【每周CV论文推荐】 初学活体检测与伪造人脸检测必读的文章
【每周CV论文推荐】 初学深度学习单张图像三维人脸重建需要读的文章
【每周CV论文推荐】 人脸识别剩下的难题：从遮挡，年龄，姿态，妆造到亲属关系，人脸攻击
【每周CV论文推荐】换脸算法都有哪些经典的思路？
【每周CV论文】深度学习文本检测与识别入门必读文章
【每周CV论文】深度学习图像降噪应该从阅读哪些文章开始