风格迁移一直是很多读者感兴趣的内容之一，近日，网友ReiichiroNakano公开了自己的一个实现：用TensorFlow.js在浏览器中部署可进行任意图像风格迁移的模型。让我们一起去看看吧！

GitHub：github.com/reiinakano/arbitrary-image-stylization-tfjs

小工具：reiinakano.github.io/arbitrary-image-stylization-tfjs/

迁移效果

所谓风格迁移，指的是神经网络通过迁移算法，用另一种风格(通常是画)重新“绘制”一张图像中的内容(通常是照片)。现如今，能在浏览器中实时进行风格迁移的项目有很多，但它们中的大多数都需要针对每种风格训练独立的神经网络，所以用户的选择大大受限。

ReiichiroNakano提供的模型突破了以往模型的局限，它能将任何风格图像分解为表示其风格的100维向量，然后把这些向量结合照片信息一起馈送到另一个神经网络，以产生最终的风格化图像。

首先，我们来看看这个风格迁移模型的具体效果：

一种风格下的风格迁移

两种风格下的风格迁移

演示网站

上图是小编在作者开发的演示网站里测试的结果，感兴趣的读者可以前去一试。可以发现，虽然谈不上特别令人惊艳，但迁移的整体效果还是非常不错的，更可贵的是，它支持任意图像、任意风格的迁移，允许手动上传图片。

如果硬要说有什么不足，那就是网站的延迟有点高(选取图像/风格后无法及时跳转，也许是水管不行)。此外，在对构图空旷的图像(如加州金门大桥)进行风格迁移时，我们发现粗粝线条风格(如bricks)容易弱化主体线条，使迁移后的图像几乎没有内容。

技术来源

为了实现这个项目，作者参考的是2017BMVC的一篇OralPaper：Exploringthestructureofareal-time,arbitraryneuralartisticstylizationnetwork(arXiv:1705.06830)。

这篇论文结合灵活的风格迁移技术和快速网络传输，提出了一种允许使用任何内容/风格图像对进行实时风格化的网络。在包含约80,000幅画作的语料库上经过训练后，论文模型不仅在训练过的风格上表现出色，还能够推广到从未见过的风格和照片。也就是说，这是一个能以完全无监督的方式学习平滑的、结构丰富的嵌入空间，以及与风格绘画相关联的语义信息的模型。

一般来说，风格迁移模型的输入有两个，一是包含图像内容的照片c，二是包含图像风格的绘画s。这类算法假定图像的内容和风格可以定义如下：

如果模型从两幅图像中提取到的高级特征欧氏距离接近，则两个图像的内容相似。

如果模型从两幅图像中提取到的低级特征有相同的空间统计，则两个图像的风格相似。

根据这两个定义，风格迁移的优化目标可以表示为：

其中Lc(x,c)和Ls(x,s)分别是内容和风格的损失函数，λs是风格损失函数经拉格朗日乘数加权后表示的相对权重。

论文作者改进了这一做法。他们在风格迁移网络前添加了一个预测网络P(·)，它以任意风格的图像作为输入，并预测归一化常数的嵌入向量→S，这样做的优势是模型能把学到的迁移方法推广到其他图像上。

论文模型架构

从本质上来说，这个模型直接学习的是从风格图像到风格参数的映射。在KagglePainterByNumbers(内容)和DescribableTexturesDataset(风格)两个数据集上进行了训练后，模型输出的风格迁移效果如下图(左)所示：

网络是联合训练的，但它只用少量训练图像就模拟了多种风格，这意味着我们没有必要为每种风格单独设定拉格朗日乘数λs。也就是说，同一个损失加权就足以在所有绘画风格和纹理上产生合理的结果。上图(右)则证明，该模型能够预测以前从未见到的风格和纹理样式，它们在质量上与训练集样本的风格和纹理几乎一致。

开源答疑

在GitHub上，开源项目的ReiichiroNakano向开发者重点提了一些注意事项。

问：我的数据安全吗？你会看到我提交的图片吗？

当你在演示网站里测试风格迁移时，你的数据和图片只会在你自己的计算机上留下痕迹。事实上，这也是在浏览器中运行神经网络的主要优势之一。我只是把模型和代码发给你，由你在自己的浏览器上运行模型。

问：如果我想下载，模型一共多大？

风格神经网络的大小是9.6MB，迁移网络大概有7.9MB。它们在任何风格上都有效，所以你只用下一次就可以了。

问：你的模型和论文模型一模一样吗？

不完全一样，论文的风格网络用的是Inception-v3(大约96.2MB)，太大了。所以在把模型移植到浏览器上之前，我用MobileNet-v2从预训练的Inception-v3网络中提取了知识，把大小缩小到了论文的1/10。

问：风格组合的具体方法是什么？

由于风格网络可以把每种风格映射成100维的风格向量，所以我们只需对内容和风格图像的风格向量进行加权平均，把计算结果作为迁移网络的输入，即可获得新风格向量。