Arbitrary Style Transfer in Real-time with Adaptive Instance Normalization

在之前的風格遷移工作中，往往需要較長時間的迭代優化而限制了其應用場景。而通過前饋神經網絡來快速進行風格轉化的方法也存在一種缺陷，即：網絡經常會陷於一組類型的風格而無法適應於新的任意風格。批標準化(Batch Normalization, BN)經常用於神經網絡的迭代訓練中，從以往的工作[2]中發現批標準化層也同樣對生成圖像模型有效，可以想象爲圖像由內容特徵和風格特徵構成，而BN對特徵的方差和均值進

>>阅读原文<<