风格迁移背后原理及tensorflow实现

程序员文章站 2024-03-19 22:18:28

...

前言

本文将详细介绍 tf 实现风格迁移的小demo，看完这篇就可以去实现自己的风格迁移了，复现的算法来自论文
$P e r c e p t u a l$ $L o s s e s f o r R e a l - T i m e$ $S t y l e$ $T r a n s f e r$ $a n d$ $S u p e r - R e s o l u t i o n$

GitHub代码链接：https://github.com/LDOUBLEV/style_transfer-perceptual_loss 如果感觉有用的话，帮忙给个star吧

本文分为以下部分：
第一节：深度学习在风格迁移上的背后原理；
第二节：风格迁移的代码详解
第三节：总结

图像风格迁移指的是将图像A的风格转换到图像B中去，得到新的图像，取个名字为new B，其中new B中既包含图像B的内容，也包含图像A的风格。如下图所示：
风格迁移背后原理及tensorflow实现
从左到右依次为图像A，图像B，图像new B

本文着重介绍基于深度学习技术的风格迁移的原理及其实现，实现使用的工具如下：

框架：Tensorflow 1.4.1
语言：python 2.7
系统：ubuntu 16.04

注：其他条件同样可行，如有问题，欢迎评论、私信

最终效果部分展示：

原图：
风格迁移背后原理及tensorflow实现
风格迁移后的图像，右上角那一张明显风格迁移过头了，可以设置style_loss的比例做调整：

风格迁移背后原理及tensorflow实现
，最满意的就是左上角那一张了。

第一节：深度学习在风格迁移的背后原理

1.1 背后原理简介

深度学习技术可谓无孔不入，在计算机视觉领域尤为明显，图像分类、识别、定位、超分辨率、转换、迁移、描述等等都已经可以使用深度学习技术实现。其背后的技术可以一言以蔽之：卷积网络具有超强的图像特征提取能力
其中，风格迁移算法的成功，其主要基于以下两点：

两张图像经过预训练好的分类网络，若提取出的高维特征( $h i g h - l e v e l$ )之间的欧氏距离越小，则这两张图像内容越相似

两张图像经过与训练好的分类网络，若提取出的低维特征( $l o w - l e v e l$ )在数值上基本相等，则这两张图像越相似，换句话说，两张图像相似等价于二者特征的 $G r a m$ 矩阵具有较小的弗罗贝尼乌斯范数。

基于这两点，就可以设计合适的损失函数优化网络。

1.2 原理解读

对于深度网络来讲，深度卷积分类网络具有良好的特征提取能力，不同层提取的特征具有不同的含义，每一个训练好的网络都可以视为是一个良好的特征提取器，另外，深度网络由一层层的非线性函数组成，可以视为是复杂的多元非线性函数，此函数完成输入图像到输出的映射，因此，完全可以使用训练好的深度网络作为一个损失函数计算器。

$G r a m$ 矩阵的数学形式如下： $G_{j} (x) = A * A^{T}$
Gram矩阵实际上是矩阵的内积运算，在风格迁移算法中，其计算的是feature map之间的偏心协方差，在feature map 包含着图像的特征，每个数字表示特征的强度，Gram矩阵代表着特征之间的相关性，因此，Gram矩阵可以用来表示图像的风格，因此可以通过Gram矩阵衡量风格的差异性。

1.3 论文解读

本次主要介绍的是论文：Perceptual Losses for Real-Time Style Transfer and Super-Resolution
直接上图：
风格迁移背后原理及tensorflow实现
网络框架分为两部分，其一部分是图像转换网络 $T$ （image transfrom net）和预训练好的损失计算网络VGG-16(loss network)，图像转换网络 $T$ 以内容图像 $x$ 为输入，输出风格迁移后的图像 $y^{^{'}}$ ，随后内容图像 $y_{c}$ (也即是 $x$ )，风格图像 $y_{s}$ ，以及 $y^{^{'}}$ 输入vgg-16计算特征，损失计算如下：
内容损失： $l_{f e a t}^{φ; j} (^{y}; y) = \frac{1}{C_{j} H_{j} W_{j}} | | φ_{j} (y^{^{'}}) - φ_{j} (y) | |^{2}$ , 其中 $φ$ 代表深度卷积网络VGG-16

感知损失如下： $l_{s t y l e}^{φ; j} (^{y}; y) = | | G_{j} (y^{^{'}}) - G_{j} (y) | |_{F}^{2}$ ，其中G是Gram矩阵，计算过程如下：

$G_{j}^{φ} (x)_{c^{^{'}}, c} = | | G_{j}^{φ} (y^{^{'}}) - G_{j}^{φ} (y) | |$

总损失定义如下： $L o s s_{t o t a l} = γ_{1} l_{f e a t} + γ_{2} l_{s t y l e}$

其中图像转换网络T定义如下图：
风格迁移背后原理及tensorflow实现

网络结构三个卷积层后紧接着5个残差块，然后两个上采样（邻近插值的方式），最后一个卷积层，第一层和最后一层的卷积核都是9x9，其余均为3x3。每个残差块中包含两层卷积。

第二节：代码详解

本次实验主要基于tf的slim模块，slim封装的很好，调用起来比较方便。接下来分为网络结构，损失函数，以及训练部分分别做介绍。

2.1 网络结构

slim = tf.contrib.slim
# 定义卷积，在slim中传入参数
def arg_scope(weight_decay=0.0005):
    with slim.arg_scope([slim.conv2d, slim.fully_connected, slim.conv2d_transpose],
                        activation_fn=None,
                        weights_regularizer=slim.l2_regularizer(weight_decay),
                        biases_initializer=tf.zeros_initializer()):
        with slim.arg_scope([slim.conv2d, slim.conv2d_transpose], padding='SAME') as arg_sc:
            return arg_sc

接下来就是图像转换网络结构部分，仿照上图，不过这里有一个trick，就是在输入之前对图像做padding，经过网络后再把padding的部分去掉，防止迁移后出现边缘效应。

def gen_net(imgs, reuse, name, is_train=True):
    imgs = tf.pad(imgs, [[0, 0], [10, 10], [10, 10], [0, 0]], mode='REFLECT')
    with tf.variable_scope(name, reuse=reuse) as vs:
        # encoder : three convs layers
        out1 = slim.conv2d(imgs, 32, [9, 9], scope='conv1')
        out1 = relu(instance_norm(out1))

        out2 = slim.conv2d(out1, 64, [3, 3], stride=2, scope='conv2')
        out2 = instance_norm(out2)
        # out2 = relu(img_scale(out2, 0.5))

        out2 = slim.conv2d(out2, 128, [3, 3], stride=2, scope='conv3')
        out2 = instance_norm(out2)
        # out2 = relu(img_scale(out2, 0.5))

        # transform
        out3 = res_module(out2, 128, name='residual1')
        out3 = res_module(out3, 128, name='residual2')
        out3 = res_module(out3, 128, name='residual3')
        out3 = res_module(out3, 128, name='residual4')
        # decoder
        out4 = img_scale(out3, 2)
        out4 = slim.conv2d(out4, 64, [3, 3], stride=1, scope='conv4')
        out4 = relu(instance_norm(out4))
        # out4 = img_scale(out4, 128)

        out4 = img_scale(out4, 2)
        out4 = slim.conv2d(out4, 32, [3, 3], stride=1, scope='conv5')
        out4 = relu(instance_norm(out4))
        # out4 = img_scale(out4, 256)

        out = slim.conv2d(out4, 3, [9, 9], scope='conv6')
        out = tf.nn.tanh(instance_norm(out))

        variables = tf.contrib.framework.get_variables(vs)

        out = (out + 1) * 127.5

        height = out.get_shape()[1].value  # if is_train else tf.shape(out)[0]
        width = out.get_shape()[2].value  # if is_train else tf.shape(out)[1]

        out = tf.image.crop_to_bounding_box(out, 10, 10, height-20, width-20)
        # out = tf.reshape(out, imgs_shape)

    return out, variables

其中instance_norm是归一化部分[5]，res_module是残差块，image_scale是采样部分，scale因子是2表示上采样，特征图扩大2倍：

def img_scale(x, scale):
    weight = x.get_shape()[1].value
    height = x.get_shape()[2].value

    try:
        out = tf.image.resize_nearest_neighbor(x, size=(weight*scale, height*scale))
    except:
        out = tf.image.resize_images(x, size=[weight*scale, height*scale])
    return out

# net = slim.conv2d(net, 4096, [1, 1], scope='fc7')

def res_module(x, outchannel, name):
    with tf.variable_scope(name_or_scope=name):
        out1 = slim.conv2d(x, outchannel, [3, 3], stride=1, scope='conv1')
        out1 = relu(out1)
        out2 = slim.conv2d(out1, outchannel, [3, 3], stride=1, scope='conv2')
        out2 = relu(out2)

        return x+out2

def instance_norm(x):
    epsilon = 1e-9

    mean, var = tf.nn.moments(x, [1, 2], keep_dims=True)

    return tf.div(tf.subtract(x, mean), tf.sqrt(tf.add(var, epsilon)))

2.2图的构建

此部分流程：读取训练数据(coco数据集) $- -$ 读取风格图像 $- -$ 并输入图像转换网络计算出转换后的图像gen_img $- -$ 原始图像，风格图像，转换后的图像一同输入VGG计算loss $- -$ VGG权重加载

 def build_model(self):
        # data_path = '/home/liu/Tensorflow/BEGAN/Data/celeba/img_align_celeba'
        data_path = '/home/liu/Downloads/train2014'
        # 加载训练数据（coco数据集）
        imgs = load_data.get_loader(data_path, self.batch_size, self.img_size)
        # 加载风格图像
        style_imgs = load_style_img()

        with slim.arg_scope(model.arg_scope()):
            # 图像转换网络
            gen_img, variables = model.gen_net(imgs, reuse=False, name='transform')

            with slim.arg_scope(vgg.vgg_arg_scope()):
                # 对图像做处理
                gen_img_processed = [load_data.img_process(image, True)
                                     for image in tf.unstack(gen_img, axis=0, num=self.batch_size)]
                # f表示vgg每段卷积的特征图输出， exclude是VGG不需要加载的变量的名字
                f1, f2, f3, f4, exclude = vgg.vgg_16(tf.concat([gen_img_processed, imgs, style_imgs], axis=0))

                gen_f, img_f, _ = tf.split(f3, 3, 0)
                # 计算损失 content loss 和 style loss
                content_loss = tf.nn.l2_loss(gen_f - img_f) / tf.to_float(tf.size(gen_f))

                style_loss = model.styleloss(f1, f2, f3, f4)

                # load vgg model
                vgg_model_path = '/home/liu/Tensorflow-Project/temp/model/vgg_16.ckpt'
                vgg_vars = slim.get_variables_to_restore(include=['vgg_16'], exclude=exclude)
                # vgg_init_var = slim.get_variables_to_restore(include=['vgg_16/fc6'])
                init_fn = slim.assign_from_checkpoint_fn(vgg_model_path, vgg_vars)
                init_fn(self.sess)
                # tf.initialize_variables(var_list=vgg_init_var)
                print 'vgg s weights load done'

            self.gen_img = gen_img

            self.global_step = tf.Variable(0, name="global_step", trainable=False)

            self.content_loss = content_loss
            self.style_loss = style_loss*100   # 100是随意设置的，可以调整控制风格迁移的程度
            self.loss = self.content_loss + self.style_loss
            self.opt = tf.train.AdamOptimizer(0.0001).minimize(self.loss, global_step=self.global_step, var_list=variables)

        all_var = tf.global_variables()
        # init_var = [v for v in all_var if 'beta' in v.name or 'global_step' in v.name or 'Adam' in v.name]
        init_var = [v for v in all_var if 'vgg_16' not in v.name]
        init = tf.variables_initializer(var_list=init_var)
        self.sess.run(init)

        self.save = tf.train.Saver(var_list=variables)

训练部分代码：

    def train(self):
        print ('start to training')
        coord = tf.train.Coordinator()
        threads = tf.train.start_queue_runners(coord=coord)

        try:
            while not coord.should_stop():
                # start_time = time.time()
                _, loss, step, cl, sl = self.sess.run([self.opt, self.loss, self.global_step, self.content_loss, self.style_loss])

                if step%100 == 0:
                    gen_img = self.sess.run(self.gen_img)
                    if not os.path.exists('gen_img'):
                        os.mkdir('gen_img')
                    save_img.save_images(gen_img, './gen_img/{0}.jpg'.format(step/100))

                print ('[{}/40000],loss:{}, content:{},style:{}'.format(step, loss, cl, sl))

                if step % 2000 == 0:
                    if not os.path.exists('model_saved_s'):
                        os.mkdir('model_saved_s')
                    self.save.save(self.sess, './model_saved_s/wave{}.ckpt'.format(step/2000))
                # 训练40000次就停止，大概2epoch
                if step >= 40000:
                    break

        except tf.errors.OutOfRangeError:
                self.save.save(sess, os.path.join(os.getcwd(), 'fast-style-model.ckpt-done'))
        finally:
            coord.request_stop()
        coord.join(threads)