# [Contrastive Learning] Contrastive Coherence Preserving Loss for Versatile Style Transfer

• 论文链接：Arxiv
• 期刊/会议：ECCV 2022
• 是否有code: Code 演示demo

关键词

对比学习, 图像风格转换

问题简述

Motiviation

    这是篇卖“问题”的文章。作者指出视频风格转换类方法目前还没有很好的解决"帧间不一致性"(Temporal Inconsistency或者Flicker Artifacts)问题，这导致转化后的视频总是特别“闪”，这里可以看一下作者提供的演示Demo，有个直观的感受。

    为什么会这样呢？作者认为是之前的方法太重视“全局约束”(global constraint)，虽然全局约束确保了图像整体风格转换的稳定性上，当前帧和后续帧在风格转换的效果上不会出现大面积的突变；但是现有的方法往往忽视了局部噪声的影响，导致迁移出来的效果虽然忠实于内容，但是却总感觉很“跳”(参考作者提供的演示demo的50秒的结果)，或者纵有一层透明且蠕动的覆盖层(演示demo的35秒的结果)；那很自然的想法就是直接在连续帧对应位置加上一些局部约束，这就不可避免的需要视频类数据来训练模型。这时候但本文最大的噱头就来了，本文提出的这个CCP损失，能在仅依赖单帧信息的前提下，实现帧间的一致性。

CCP损失

为什么不需要视频数据？

我们先看下图：

$R_A$与$R_B$是连续两帧相同位置的两个Patch，如果这个区域没有运动的话，那么$R_A$与$R_B$在“内容”(不考虑噪声)上应该是完全一致的；而如果有运动的话，它们俩的内容会有一些差异。但是作者提出了一个假设：在两帧图像间隔的时间差 $\Delta t$ 足够小的前提下，在$R_A$的附近相邻Patch中能找到一个$R_C$，使其在内容上与$R_B$完全一致。作者正是通过这种方式，将帧间的Patch对应关系“压缩”到了单帧图像内的Patch关系。

如何解决时序不一致问题？

作者觉得想要生成迁移结果具有较好的时序一致性，需要满足一个限制：
$$\underset{\Delta t\to 0}{\lim }D(C_{t+\Delta t},C)\simeq D(G_{t+\Delta t},G)\text{\hspace{1em}(1)}$$
式中，$D(a,b)$ 代表a与b之间的差异，$C$ 与 $G$ 则分别代表这内容(Content)与迁移后结果(Generated); 作者特别注明了，这个限制对于全局来说可能太过于严格，但是从局部来看是能够满足的（因为局部上的运动通常体现为“平移”和“旋转”）；也正是基于这个假设，作者提出了CCP损失（Contrastive Coherence Preserving）：

1. 先将内容图像(Content)和生成后的图像(Generated)分别喂给一个训练好(fixed)的Encoder提取特征，分别生成 $C_f$，$G_f$；
2. 在 $G_f$ 中随机采样得到N个向量(上图中 $G_f$ 的红色点)，记作 $\{G_a^x|x\in \{1,...,N\}\}$ ;
3. 对于每个 $G_a^x$ ，取其8个相邻的 向量(上图中 $G_f$ 的蓝色点)，记作 $\{G_a^{x,y}|y\in \{1,...,8\}\}$ ;
4. 在 $C_f$ 上按照步骤2和步骤3进行采样，得到 $\{C_a^x|x\in \{1,...,N\}\}$ 和 $\{C_a^{x,y}|y\in \{1,...,8\}\}$
5. $$d_g^{x,y}=G_a^x\ominus G_a^{x,y}，d_c^{x,y}=C_a^x\ominus C_a^{x,y}$$，$\ominus$代表向量减法；

为了满足式(1)， 最暴力的做法就是让$d_g^{x,y}$去直接拟合$d_c^{x,y}$。但这会导致模型偷懒，逐渐让$G_f$越来越近似于$C_f$，就起不到风格迁移地作用了。因此，作者在这里引入了对比学习的思想，按照上图中“黄色线”地方式来构建正样本对，“藏青色线”来构建负样本对，通过InfoNCE损失来拉近$d_g^{x,y}$与$d_c^{x,y}$的距离；

总结

卖问题的，个人觉得有亮点，但拼凑的痕迹也很重；

1. 最大的亮点就是基于作者本身大胆的想象力，尝试用单帧去解决时序不一致问题，感觉很有意思；
   缺点：
2. “故事”的立意很新颖，但是讲的总觉得不是很清楚，某些部分只是轻轻一点，让人有点毛不着头脑；
3. 引入对比学习的原因没讲清楚，有强行缝合的嫌疑；

参考文献

本文基本均为原创