Peut-être que dans un moment vous étiez envie de Van Gogh et des peintures de Monet, peut-être que vous avez rêvé d'être un certain âge, le second élément dans un personnage de dessin animé, peut-être que vous avez des rêves des temps anciens, de s'imaginer porter le look costume. Aujourd'hui, la « image stylisée » peut être votre rêve deviendra une réalité.

Peut-être que vous ne l'avez pas entendu parler de « style d'image » du mot, regardez ci-dessous plusieurs points de vue:

image d'art originale

+

image ordinaire

Le style d'art original combine les résultats de l'image ordinaire

Oui, ceci est l'image stylisée du processus!

l'image stylisées: un « battre facilement » donne artistique

Style stylisé image de l'image et le style peut être appelé migration, est sur le point d'avoir des caractéristiques d'une migration vers une image ordinaire, de sorte que l'image d'origine, tout en conservant le contenu original, un style artistique unique, comme des bandes dessinées, dessins animés , peinture à l'huile, l'aquarelle, l'encre et ainsi de suite.

Cette fonction est pas ce que nous attendions avec impatience aussi? Mais nous ne sommes pas l'art professionnel est né, comment tirer leurs propres paysages deviennent très artistique, ou de mettre leur photo dans un croquis ou un dessin animé il? Peut-être que vous trouverez l'Internet a cependant beaucoup de logiciels similaires peuvent être générés directement Mito, s'il n'y a pas moyen de faire face à ces images de leur style préféré de la façon de le faire? Cette fois, la technologie de l'image stylisée de bricolage peut nous aider.

Bien sûr, le processus de développement technique exceptionnel est toujours long et difficile. Dans le domaine de l'image non-photoréaliste, les arts graphiques sont divisés en trois méthodes:

• accidents vasculaires cérébraux Méthodes (AVC-basedRendering) rendu à base: qui est, les styles d'apprentissage des informations de course dans l'image, mais cette méthode ne peut pas simplement être étendues à d'autres styles de migration, de sorte qu'il utilise de manière significative limitée.

• Résultats illustrations Figure et le style a besoin de beaucoup de paires: l'image méthode de l'analogie (Image Analogie) sur la base

• méthode de filtrage d'image (Filtrage d'image) en fonction: la vitesse, peut répondre aux besoins de l'atterrissage de l'industrie, mais cette méthode est trop simple, pas facile à faire le style de migration complexe.

Cependant, la méthode actuelle a été stylisée pour surmonter les problèmes ci-dessus et de fournir un « clic outil de génération, » vous n'avez pas besoin de maîtriser la technologie de traitement d'image professionnelle sera en mesure de créer rapidement leur propre effet d'image souhaité.

Deux technologies de traitement d'image stylisée classique

Ces dernières années, le développement rapide de l'intelligence artificielle, de la profondeur de l'apprentissage est devenu l'un des points chauds. Avec le développement de l'apprentissage en profondeur dans le domaine du traitement d'image, l'image rapide en fonction de la profondeur de son style d'apprentissage est né. Cette méthode d'image stylisée améliore considérablement la vitesse de génération d'image, et l'image générée ayant un meilleur effet visuel.

1 , Basé sur l'image stylisée de CNN

l'image stylisées de la migration dans ce pedigree zone Gatys d'abord fait un NIPS, nous avons proposé une nouvelle méthode de modélisation de textures basée sur CNN --TextureSynthesis En utilisant convolutifs Neural Networks, en utilisant la matrice de Gram pour représenter l'information de texture obtenue par l'image, et se sont contentés d'un traitement de type CNN en 2015.

Les principales conclusions de ce document est exprimée dans le style et le contenu des réseaux de neurones convolution peuvent être séparés, exprimé différentes informations à différents niveaux (cadres supérieurs ont déclaré le contenu de l'information, les informations de style de représentation à faible niveau).

CNN diagramme de niveaux différents de dispositifs d'extraction

Gatys l'image originale, l'image modèle, l'initialisation d'entrée d'image au réseau neuronal convolutif, la différence entre le contenu de l'image d'origine et l'initialisation de l'image du calcul de convolution en couches, la différence entre les modèles et le style de l'image, désignée par la fonction de perte. En arrière-propagation, une initialisation de la méthode de descente de gradient images constamment mis à jour, jusqu'à ce qu'un résultat satisfaisant.

Cependant, cette méthode prend trop de temps, il est difficile de répondre à la demande pour la destination du produit.

2016, l'industrie de l'intelligence artificielle remarquable chercheur femme Li Feifei propose une méthode pour stylisée rapide. Son travail est une avancée majeure, ce qui réduit considérablement l'image générée dans le temps. Génération d'une image sur le GPU seulement une fraction de seconde!

Li Feifei architecture réseau proposé comprend un réseau de commutation d'image et la perte réseau. réseau de commutation d'image est une profondeur de convolution de réseau réseau perte de VGG16 résiduelle utilise une structure de réseau pré-formé.

Le système est constitué de deux phases:

(1) la formation étape du modèle.

Réseau à paramètres du modèle sont formés les paramètres réseau de conversion d'image. ensemble de formation d'entrée d'image, grâce à une fonction de transfert de l'image d'entrée est convertie en image de x-style.

L'image de différence résultant, le style d'image, à la perte de réseau d'accès au contenu de l'image, le réseau calcule la sortie du style et entre l'image (cible style d'image) des résultats de conversion d'image de la figure stylisée contenu de l'image (l'image à convertir), cette différence sera exprimée sous la forme d'une fonction de perte, l'image est transmise au réseau de commutation, en réduisant au minimum la perte totale, les paramètres de conversion d'image de mise à jour de réseau jusqu'à ce que le modèle final désiré.

(2) la génération d'un étage d'image.

Il suffit d'entrer une image cette fois-ci, vous pouvez obtenir les résultats d'un stylisé, très pratique, très efficace.

2 , Basé sur l'image stylisée de GAN

Stylisées récemment si chaud, GAN comment pouvez-vous pas venir Cougerenao il. GAN qui a généré contre le réseau. L'idée de base de la théorie des jeux, équilibre de Nash, ce parti a le revenu, l'autre doit perdre.

GAN comprend deux parties, un discriminateur et un générateur. Générateur de l'objet est d'apprendre la distribution réelle des échantillons de données générés à proximité de la distribution réelle de données; Discriminateur d'objet détermine les données d'entrée est dérivé à partir de données réelles ou de la génératrice. Grâce à l'optimisation continue des générateurs et discriminateur, les deux résultats sont optimaux.

cadre de l'algorithme GAN

2017, Zhu équipe Junyan idées utilisées GAN sur des résultats impressionnants, les résultats comme indiqué ci-dessous, voir, il est de ne pas être étonnant! GAN vraiment des tâches de génération d'image, en plus de la formation d'un peu plus difficile à impressionner les autres!

Les résultats générés CycleGan schématique

Zhu équipe Junyan a proposé une structure de CycleGAN. Il ne peut que terminer la conversion entre les styles d'image, tels que la photo dans des peintures d'art, les images peuvent aussi être la migration saisonnière, l'été devient l'hiver, les espèces migratrices, des zèbres chevaux de changement.

Deux miroir symétriques forment un réseau en anneau GAN sur la nature CycleGAN. Un générateur dans lequel le domaine d'image dans l'image domaine X-Y, l'autre domaine d'image dans l'image domaine Y X, deux discriminateur détermine chaque image réelle est une image générée dans l'art ou des images.

Image scénarios stylisés

Bien sûr, maintenant stylisé image de l'uvre ne se limite plus à l'image artistique, voir ci-dessous étendre l'application, il ne se sentait pas très étonnant!

• Rien à changer les modèles de voiture (migration style sémantique)

• De temps en temps, emballé dans un grand artistes d'installation (peinture graffiti changement)

• Une autre image artistique (migration style portrait)

• Lazy ne veux pas manuellement (couleur des épreuves couleur)

• L'industrie et certaines d'entre elles ont débarqué les produits

Automatisation des résultats de la recherche

Alors intéressants et des domaines pratiques, naturelles et en fin de compte CAS Institut d'automatisation des chercheurs impliqués. Rappelez-vous quand vous échangez pendant l'image de la frénésie Coupe du monde il? Oui, c'est l'une des conclusions de l'automatisation!

ZHANG, Yong, Weiming DONG et al. "Bande dessinée données-drivenface stylisation." Siggraph Asia Fiches techniques (2014).

Donc, les choses intéressantes arrêtent tout simplement pas moins que le rythme de la recherche. Pas de meilleur, mais plus beau!

.. ZHANG, Yong, Weiming DONG et al données-DrivenSynthesis de Cartoon visages à l'aide de styles différents dans: IEEE Transactions onimage processing2017. 26 (1), pp. 464-478

Bien sûr, chaque année le domaine des méthodes de vision par ordinateur ont flux sans fin d'optimisation supérieure appliquera pour le scénario d'un tel. S'il peut faire un bricolage, mais aussi très gratifiant!