侯澤宇 許 毅

(武漢理工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 湖北 武漢 430061)

0 引 言

圖像風(fēng)格化技術(shù)可以將藝術(shù)作品的風(fēng)格遷移到另一種現(xiàn)實(shí)生活的圖像中，使得圖像在保留原始內(nèi)容的情況下加入卡通、動(dòng)漫、黑白、油畫(huà)、抽象畫(huà)等極具特色的藝術(shù)風(fēng)格，創(chuàng)作出具有藝術(shù)風(fēng)格的作品。目前，圖像風(fēng)格化已經(jīng)在攝影和視頻方面有了較為廣泛的應(yīng)用，在動(dòng)漫制作、電影特效和照片濾鏡等領(lǐng)域有了重大突破，極大地減少了藝術(shù)設(shè)計(jì)工作者的工作量，同時(shí)可以幫助非專(zhuān)業(yè)用戶(hù)方便快速地創(chuàng)作出具有藝術(shù)風(fēng)格的作品，有重要的現(xiàn)實(shí)意義和實(shí)際應(yīng)用價(jià)值。

近年來(lái)，學(xué)者們?cè)谏疃葘W(xué)習(xí)的圖像風(fēng)格化方向進(jìn)行了很多研究，在圖像風(fēng)格化速度方面，可分為慢速圖像風(fēng)格化方法和快速圖像風(fēng)格化方法。慢速圖像風(fēng)格化方法的研究源于Gatys等[1]使用深度卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)進(jìn)行紋理合成的工作。之后他們又提出了迭代更新的圖像風(fēng)格化方法[2]，該方法利用卷積神經(jīng)網(wǎng)絡(luò)VGGNet學(xué)習(xí)到的通用特征表示分離圖像的內(nèi)容與風(fēng)格，將風(fēng)格轉(zhuǎn)換問(wèn)題轉(zhuǎn)變成為神經(jīng)網(wǎng)絡(luò)的優(yōu)化問(wèn)題，但其生成一幅風(fēng)格化圖像需要反復(fù)進(jìn)行前反向計(jì)算迭代，耗時(shí)較長(zhǎng)。Li等[3]在Gatys的基礎(chǔ)上使用馬爾可夫隨機(jī)場(chǎng)(Markov Random Field，MRF)的方法代替Gram矩陣來(lái)確定風(fēng)格損失，圖像風(fēng)格化的效果優(yōu)于Gatys的方法，但生成風(fēng)格化圖像依然需要反復(fù)的迭代，耗時(shí)較長(zhǎng)。Johnson等[4]首次提出了快速圖像風(fēng)格化方法，該方法通過(guò)訓(xùn)練一個(gè)風(fēng)格轉(zhuǎn)換網(wǎng)絡(luò)來(lái)進(jìn)行風(fēng)格的遷移，從而將圖像風(fēng)格化的速度提升了近1 000倍，但是作者提出的風(fēng)格轉(zhuǎn)換網(wǎng)絡(luò)參數(shù)約為100萬(wàn)個(gè)，過(guò)多的網(wǎng)絡(luò)參數(shù)導(dǎo)致了風(fēng)格轉(zhuǎn)換網(wǎng)絡(luò)的訓(xùn)練耗時(shí)較長(zhǎng)。Ulyanov等[5]在Johnson的基礎(chǔ)上提出了多尺度的風(fēng)格轉(zhuǎn)換網(wǎng)絡(luò)Texture Nets，網(wǎng)絡(luò)更加輕巧，圖像風(fēng)格化速度具有一定的提升，但網(wǎng)絡(luò)的訓(xùn)練仍需要較長(zhǎng)的時(shí)間。

除了風(fēng)格化速度方面的研究之外，學(xué)者們還提出了一系列針對(duì)特定情況下的圖像風(fēng)格化效果進(jìn)行提升的方法。Gatys等[6]提出使用顏色控制的方法，在圖像風(fēng)格化的過(guò)程中保留內(nèi)容圖像原本的顏色信息，在需要顏色保留的情況下可以提升圖像風(fēng)格化效果，但是對(duì)于需要顏色變化的圖像風(fēng)格化處理，該方法并不適用。吳聯(lián)坤[7]使用前景背景分離的方法，提升了純色背景圖像的風(fēng)格化效果，但是對(duì)于非純色背景的圖像，圖像風(fēng)格化效果較差。

根據(jù)上述的分析，針對(duì)圖像風(fēng)格化速度和效果兩個(gè)關(guān)鍵點(diǎn)，本文提出利用更輕量的風(fēng)格轉(zhuǎn)換網(wǎng)絡(luò)，并結(jié)合圖像物體空間語(yǔ)義信息控制的方法，在各種情況下均可以獲得更優(yōu)秀的風(fēng)格化生成圖像。

1 方法設(shè)計(jì)

1.1 空間控制

現(xiàn)實(shí)世界中的圖像場(chǎng)景一般比較復(fù)雜，在給內(nèi)容圖像進(jìn)行風(fēng)格轉(zhuǎn)換的過(guò)程中應(yīng)該尊重內(nèi)容圖像的場(chǎng)景語(yǔ)義信息，在圖像的空間信息層級(jí)進(jìn)行一定的控制，約束風(fēng)格化的空間范圍。因此，本文在圖像塊匹配方法的基礎(chǔ)上提出語(yǔ)義風(fēng)格損失，以控制圖像語(yǔ)義內(nèi)容與風(fēng)格的匹配程度，空間控制和語(yǔ)義風(fēng)格損失的計(jì)算原理如圖1所示。

圖1 空間控制和語(yǔ)義風(fēng)格損失計(jì)算原理圖

FSTSC方法使用一個(gè)尺寸為3×3的窗口，以1為步長(zhǎng)在內(nèi)容圖像經(jīng)過(guò)轉(zhuǎn)換網(wǎng)絡(luò)的輸出圖像的特征圖上進(jìn)行滑動(dòng)，每次滑動(dòng)該窗口都作為一個(gè)patch，通過(guò)塊匹配方法在風(fēng)格特征圖中尋找最匹配的patch。

塊匹配方法使用歸一化交叉相關(guān)(Normalization Cross Correlation，NCC)函數(shù)作為匹配準(zhǔn)則[8]，通過(guò)計(jì)算圖像之間的互相關(guān)性來(lái)確定匹配的程度，即在風(fēng)格特征圖Φl(s)中搜索與Φl(y)中選取的patch塊NCC最高的區(qū)域作為對(duì)應(yīng)匹配，計(jì)算方法為：

(1)

式中：ΨiΦl(y)為在轉(zhuǎn)換網(wǎng)絡(luò)輸出圖像的特征圖上選取的第i個(gè)patch；ΨjΦl(s)為在風(fēng)格特征圖上選取的第j個(gè)patch。

在尋找到匹配的patch之后，使用DeepLab-v2圖像語(yǔ)義分割算法[9]對(duì)風(fēng)格圖像和內(nèi)容圖像進(jìn)行語(yǔ)義分割操作，可以獲得具有多個(gè)內(nèi)容類(lèi)別的語(yǔ)義分割圖，生成引導(dǎo)矩陣，該矩陣記錄了原圖像各個(gè)像素對(duì)應(yīng)的內(nèi)容類(lèi)別。利用引導(dǎo)矩陣獲取patch中各個(gè)內(nèi)容類(lèi)別對(duì)應(yīng)的patch引導(dǎo)向量，從而計(jì)算出patch引導(dǎo)Gram矩陣。假設(shè)c為patch塊p的內(nèi)容類(lèi)別之一，首先通過(guò)引導(dǎo)矩陣得到類(lèi)別c對(duì)應(yīng)的引導(dǎo)向量，即矢量化后的二進(jìn)制掩碼，之后將patch特征圖Fl(p)與類(lèi)別c的patch引導(dǎo)向量Tc(p)相乘的結(jié)果作為patch引導(dǎo)特征圖：

Fl,c(p)=Fl(p)Tc(p)

(2)

進(jìn)一步計(jì)算出patch引導(dǎo)Gram矩陣：

Gl,c(p)=Fl,c(p)·Fl,c(p)T

(3)

l層patch語(yǔ)義風(fēng)格損失根據(jù)VGG-16損失網(wǎng)絡(luò)中第l層輸出特征圖的patch引導(dǎo)Gram矩陣進(jìn)行比較，將通過(guò)塊匹配方法獲得的兩個(gè)最匹配patch之間的所有內(nèi)容類(lèi)別引導(dǎo)Gram矩陣的歐氏距離之和作為patch語(yǔ)義風(fēng)格損失，l層語(yǔ)義風(fēng)格損失為所有patch語(yǔ)義風(fēng)格損失之和：

Gl,c(ΨNN(i)(Φl(s)))‖2

(4)

式中：P為所有patch的總數(shù)；C為每個(gè)patch包含的內(nèi)容類(lèi)別總數(shù)。總語(yǔ)義風(fēng)格損失為relu1_2、relu2_2、relu3_3和relu4_3四層語(yǔ)義風(fēng)格損失之和：

(5)

對(duì)于內(nèi)容損失，使用內(nèi)容圖像經(jīng)過(guò)轉(zhuǎn)換網(wǎng)絡(luò)的輸出圖像y和內(nèi)容圖像c在損失網(wǎng)絡(luò)的relu4_2層輸出的特征圖之間的歐氏距離作為內(nèi)容損失：

Lcontent=‖Φl(y)-Φl(c)‖2

(6)

FSTSC方法使用以上的方式對(duì)圖像風(fēng)格化過(guò)程中圖像風(fēng)格化的空間范圍進(jìn)行控制，為了使生成圖像更加平滑，還加入了全變差正則化損失LTV。因此，總損失Ltotal為內(nèi)容損失、語(yǔ)義風(fēng)格損失與全變差正則化損失的加權(quán)之和：

Ltotal=λcLcontent+λsLstyle+λTVLTV

(7)

式中：λc為內(nèi)容損失的權(quán)重；λs為語(yǔ)義風(fēng)格損失的權(quán)重；λTV為全變差正則化損失的權(quán)重。

1.2 總體結(jié)構(gòu)

為了進(jìn)一步降低風(fēng)格轉(zhuǎn)換網(wǎng)絡(luò)的訓(xùn)練時(shí)間，F(xiàn)STSC方法設(shè)計(jì)了一個(gè)新的風(fēng)格轉(zhuǎn)換網(wǎng)絡(luò)，精簡(jiǎn)了網(wǎng)絡(luò)架構(gòu)，減少了網(wǎng)絡(luò)的參數(shù)數(shù)量，F(xiàn)STSC方法的總體結(jié)構(gòu)如圖2所示。

圖2 總體結(jié)構(gòu)圖

FSTSC方法主要包括一個(gè)風(fēng)格轉(zhuǎn)換網(wǎng)絡(luò)和一個(gè)損失網(wǎng)絡(luò)。風(fēng)格轉(zhuǎn)換網(wǎng)絡(luò)以殘差網(wǎng)絡(luò)[10]作為基礎(chǔ)，共包含三個(gè)部分。第一部分為下采樣，根據(jù)GoogLeNet中非對(duì)稱(chēng)卷積的設(shè)計(jì)思想[11]，將一個(gè)9×9卷積層分解為9×1和1×9的兩個(gè)卷積層，可以在保證感受野相同的情況下減少網(wǎng)絡(luò)的參數(shù)數(shù)量，并采納了Radford等的建議并未使用池化層，而是使用小步長(zhǎng)的卷積層進(jìn)行下采樣[12]，所以該部分共包含了9×1卷積層、1×9卷積層和3×3卷積層。第二部分由4個(gè)相同的殘差塊組成，每個(gè)殘差塊均包含兩個(gè)3×3卷積層，在卷積層之間使用實(shí)例歸一化(Instance Norm)層和Leaky ReLU層進(jìn)行連接,以增強(qiáng)網(wǎng)絡(luò)的泛化能力并解決部分神經(jīng)元失效的問(wèn)題[13]。第三部分為上采樣，使用與下采樣相同數(shù)量的反卷積層將圖像進(jìn)行放大，還原至與輸入圖像相同的尺寸，最后的卷積層使用tanh作為激活函數(shù)以保證輸出值在[0,255]內(nèi)[14]。該風(fēng)格轉(zhuǎn)換網(wǎng)絡(luò)降低了網(wǎng)絡(luò)模型的復(fù)雜度，能夠提升圖像風(fēng)格化速度，提高圖像風(fēng)格化效率。

該模型利用在ImageNet數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練的VGG-16網(wǎng)絡(luò)作為損失網(wǎng)絡(luò)，基于此網(wǎng)絡(luò)提取圖像的高維特征，通過(guò)不同層的響應(yīng)結(jié)果構(gòu)建內(nèi)容損失Lcontent和語(yǔ)義風(fēng)格損失Lstyle分別用于衡量圖像之間的內(nèi)容和風(fēng)格差異，從而計(jì)算出總損失。之后使用Adam優(yōu)化方法逐步減小總損失值來(lái)進(jìn)行風(fēng)格轉(zhuǎn)換網(wǎng)絡(luò)權(quán)值W的更新，完成風(fēng)格轉(zhuǎn)換網(wǎng)絡(luò)的訓(xùn)練：

(8)

最終將風(fēng)格圖像的風(fēng)格保存到風(fēng)格轉(zhuǎn)換網(wǎng)絡(luò)模型中，在使用階段，將內(nèi)容圖像輸入到風(fēng)格轉(zhuǎn)換網(wǎng)絡(luò)就能夠快速地得到生成圖像，從而進(jìn)行快速圖像風(fēng)格化處理。

2 實(shí) 驗(yàn)

2.1 實(shí)驗(yàn)環(huán)境

FSTSC方法的實(shí)驗(yàn)環(huán)境采用六核心的Intel Core i7-8700K CPU，內(nèi)存為16 GB，運(yùn)行64位Ubuntu 18.04操作系統(tǒng)，使用NVIDIA GTX 1080Ti GPU，顯存為11 GB。實(shí)驗(yàn)主要使用Python作為編程語(yǔ)言，通過(guò)開(kāi)源的深度學(xué)習(xí)框架TensorFlow進(jìn)行實(shí)現(xiàn)，并使用CUDA和CuDNN技術(shù)實(shí)現(xiàn)GPU加速。

2.2 訓(xùn)練細(xì)節(jié)

風(fēng)格轉(zhuǎn)換網(wǎng)絡(luò)的訓(xùn)練使用MSCOCO 2014數(shù)據(jù)集，共采用80 000幅圖像作為訓(xùn)練集，設(shè)置batch size為10，epoch為2，采用學(xué)習(xí)率自適應(yīng)的優(yōu)化算法Adam Optimizer，設(shè)置學(xué)習(xí)率為0.001。

2.3 實(shí)驗(yàn)結(jié)果及分析

將FSTSC方法與Gatys等[2]和Johnson等的方法[4]進(jìn)行對(duì)比，實(shí)驗(yàn)包括風(fēng)景、建筑、動(dòng)植物等場(chǎng)景，實(shí)驗(yàn)結(jié)果如圖3所示?？梢钥闯觯珿atys等的方法和Johnson等的方法忽略了內(nèi)容圖像與風(fēng)格圖像在內(nèi)容上的差異，在風(fēng)格轉(zhuǎn)換的過(guò)程中沒(méi)有考慮語(yǔ)義內(nèi)容信息，導(dǎo)致生成圖像部分內(nèi)容與風(fēng)格不匹配，比如在第二行結(jié)果中的草地出現(xiàn)了鮮花的風(fēng)格，第三行結(jié)果中的天空出現(xiàn)了大橋的風(fēng)格，以及第四行結(jié)果中的夜空出現(xiàn)了建筑物的風(fēng)格等。而FSTSC方法在進(jìn)行圖像風(fēng)格化時(shí)，考慮到圖像子空間區(qū)域中語(yǔ)義內(nèi)容與風(fēng)格的匹配關(guān)系，對(duì)風(fēng)格圖像和內(nèi)容圖像分別進(jìn)行語(yǔ)義分割預(yù)處理，使得圖像的內(nèi)容與風(fēng)格相匹配，圖像風(fēng)格化的結(jié)果更加真實(shí)。此外，相比現(xiàn)有方法，F(xiàn)STSC方法的生成圖像邊緣更加平滑，效果更加優(yōu)秀。

圖3 3種圖像風(fēng)格化方法效果對(duì)比

對(duì)實(shí)驗(yàn)結(jié)果的評(píng)價(jià)主要包括主觀(guān)評(píng)價(jià)和客觀(guān)評(píng)價(jià)兩方面，其中主觀(guān)評(píng)價(jià)主要是對(duì)圖像風(fēng)格化的效果進(jìn)行評(píng)價(jià)，以人為觀(guān)察者，對(duì)生成圖像的優(yōu)劣作出主觀(guān)的定性評(píng)價(jià)。共選取20人作為觀(guān)察者參與實(shí)驗(yàn)，向每位觀(guān)察者展示風(fēng)格圖像及對(duì)應(yīng)的3種方法的生成圖像，要求觀(guān)察者在觀(guān)看圖像的同時(shí)根據(jù)與風(fēng)格圖像風(fēng)格的相似程度給出相應(yīng)的評(píng)價(jià)分值，使用分值1～5表示很差、較差、一般、較好、很好五個(gè)等級(jí)，實(shí)驗(yàn)共進(jìn)行20次，最終將每幅結(jié)果圖的平均分值作為最后的評(píng)價(jià)分值[15]，結(jié)果如圖4所示。實(shí)驗(yàn)結(jié)果表明，F(xiàn)STSC方法的生成圖像的風(fēng)格與風(fēng)格圖像最相似，圖像風(fēng)格化效果最好。

圖4 圖像風(fēng)格化效果主觀(guān)評(píng)價(jià)

客觀(guān)評(píng)價(jià)主要從風(fēng)格轉(zhuǎn)換網(wǎng)絡(luò)的訓(xùn)練時(shí)間和圖像風(fēng)格化速度兩方面進(jìn)行比較。對(duì)于風(fēng)格轉(zhuǎn)換網(wǎng)絡(luò)訓(xùn)練時(shí)間的比較，本文在相同實(shí)驗(yàn)環(huán)境下將Johnson等提出的殘差轉(zhuǎn)換網(wǎng)絡(luò)[4]、Ulyanov等提出的多尺度轉(zhuǎn)換網(wǎng)絡(luò)[5]與FSTSC方法使用的風(fēng)格轉(zhuǎn)換網(wǎng)絡(luò)，經(jīng)過(guò)40 000次迭代訓(xùn)練所需時(shí)間進(jìn)行對(duì)比，結(jié)果如表1所示。

表1 各風(fēng)格轉(zhuǎn)換網(wǎng)絡(luò)訓(xùn)練時(shí)間對(duì)比

對(duì)于圖像風(fēng)格化速度的比較，由于Gatys等的風(fēng)格化方法原理與其他方法不同，因此本文使用Gatys方法迭代500次的圖像風(fēng)格化時(shí)間與Johnson等的方法、Ulyanov等的方法、FSTSC方法進(jìn)行對(duì)比，結(jié)果如表2所示。

表2 各圖像風(fēng)格化方法風(fēng)格化時(shí)間對(duì)比 s

從表1和表2的結(jié)果可以看出，F(xiàn)STSC方法設(shè)計(jì)的風(fēng)格轉(zhuǎn)換網(wǎng)絡(luò)結(jié)構(gòu)更加精簡(jiǎn)，參數(shù)數(shù)量減少，在降低計(jì)算成本和訓(xùn)練時(shí)間的同時(shí)可提升圖像風(fēng)格化的速度。因此，F(xiàn)STSC方法在圖像風(fēng)格化效果和速度上具有一定的優(yōu)化效果，針對(duì)快速圖像風(fēng)格化方法進(jìn)行有效的提升。

3 結(jié) 語(yǔ)

本文提出了一種FSTSC方法，使用塊匹配方法尋找風(fēng)格圖像和內(nèi)容圖像最匹配的patch，并利用圖像語(yǔ)義分割方法進(jìn)行預(yù)處理，根據(jù)不同的內(nèi)容類(lèi)別計(jì)算語(yǔ)義風(fēng)格損失，以保證生成圖像的局部?jī)?nèi)容與其風(fēng)格相匹配。另外，設(shè)計(jì)了結(jié)構(gòu)更加精簡(jiǎn)的風(fēng)格轉(zhuǎn)換網(wǎng)絡(luò)，從而可以加快圖像風(fēng)格化速度的同時(shí)有效提升圖像風(fēng)格化的效果。從圖像風(fēng)格化效果的主觀(guān)評(píng)價(jià)和圖像風(fēng)格化時(shí)間的客觀(guān)評(píng)價(jià)兩方面進(jìn)行分析，結(jié)果表明FSTSC方法優(yōu)于現(xiàn)有的一些方法。

下一步的研究工作是解決在圖像風(fēng)格化過(guò)程中當(dāng)內(nèi)容圖像與風(fēng)格圖像的語(yǔ)義內(nèi)容差別過(guò)大時(shí)，由于很難保證內(nèi)容與風(fēng)格的完美匹配所導(dǎo)致的在一定程度上影響生成圖像視覺(jué)觀(guān)感的問(wèn)題。