欢迎来到《每周CV论文》。在这个专栏里，还是本着有三AI一贯的原则，专注于让大家能够系统性完成学习，所以我们推荐的文章也必定是同一主题的。

图像风格化是生成对抗网络的一大应用，今天给大家推荐初学该领域必须要读的文章。

作者&编辑 | 言有三

1 有监督Pix2Pix模型

当前大部分基于生成对抗网络的风格化模型都受到了Pix2Pix的影响，或借鉴其部分结构，或借鉴其代码。Pix2Pix是一个条件GAN的变种，它使用成对的图像作为训练数据集，完成图像到图像的翻译，是最经典的有监督图像风格化GAN模型。

文章引用量：3000+

推荐指数：✦✦✦✦✦

[1] Isola P, Zhu J Y, Zhou T, et al. Image-to-image translation with conditional adversarial networks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 1125-1134.

2 无监督CycleGAN

Pix2Pix是最经典的有监督图像风格化GAN模型，CycleGAN[2]则是最经典的无监督图像风格化GAN模型，是后续大部分无监督GAN模型的鼻祖。它无须构建一对一映射的训练数据集，是图像风格化能够真正得以大规模商业化应用的基础，类似的框架还有UNIT[3]。

文章引用量：3000+

推荐指数：✦✦✦✦✦

[2] Zhu J Y, Park T, Isola P, et al. Unpaired image-to-image translation using cycle-consistent adversarial networks[C]//Proceedings of the IEEE international conference on computer vision. 2017: 2223-2232.

[3] Liu M, Breuel T M, Kautz J, et al. Unsupervised Image-to-Image Translation Networks[C]. neural information processing systems, 2017: 700-708.

3 多领域转换StarGAN

原始的Pix2Pix，CycleGAN都只能解决两个领域之间的转换，虽然也可以对其进行拓展。StarGAN[4-5]的提出则只需要学习一个模型，就可以解决多领域间的转换问题，是当前最经典的多领域风格迁移框架。

文章引用量：600+

推荐指数：✦✦✦✦✦

[4] Choi Y, Choi M, Kim M, et al. Stargan: Unified generative adversarial networks for multi-domain image-to-image translation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 8789-8797.

[5] Choi Y, Uh Y, Yoo J, et al. StarGAN v2: Diverse Image Synthesis for Multiple Domains[J]. arXiv: Computer Vision and Pattern Recognition, 2019.

4 风格编码框架StyleGAN

在风格转换中最重要的就是学习到优秀的风格编码，StyleGAN[6]是当前最好的风格编码网络，它可以精确控制所生成图像的属性，是必须掌握的框架。

文章引用量：400+

推荐指数：✦✦✦✦✦

[6] Karras T, Laine S, Aila T. A style-based generator architecture for generative adversarial networks[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019: 4401-4410.

[7] Karras T, Laine S, Aittala M, et al. Analyzing and Improving the Image Quality of StyleGAN.[J]. arXiv: Computer Vision and Pattern Recognition, 2019.

5 典型应用

图像风格化可以用于任何从一个域到另一个或者多个域转换的场景，不论是图像增强，图像分割，还是特定的风格迁移，这里我们给大家推荐人脸方向的两个经典应用，妆造迁移[8]以及人脸动画风格[9]，其他的可以自行学习。

文章引用量：30+

推荐指数：✦✦✦✦✧

[8] Li T, Qian R, Dong C, et al. BeautyGAN: Instance-level Facial Makeup Transfer with Deep Generative Adversarial Network[C]. acm multimedia, 2018: 645-653.

[9] Kim J, Kim M, Kang H, et al. U-GAT-IT: Unsupervised Generative Attentional Networks with Adaptive Layer-Instance Normalization for Image-to-Image Translation[C]. international conference on learning representations, 2020.

6 文章解读

关于GAN图像风格化相关文章的详细解读，在有三AI知识星球-网络结构1000变-GAN下有较多的文章，感兴趣可以移步。

总结

本次我们介绍了基于GAN的图像风格化领域中值得读的文章，当前研究重点在于无监督模型，多域转换，图像细节控制，交互式方法等方向，读者可以继续关注。

有三AI知识星球

知识星球是有三AI的付费内容社区，里面包括各领域的模型学习，数据集下载，公众号的付费图文原稿，技术总结PPT和视频，知识问答，书籍下载，项目推荐，线下活动等资源，了解详细请阅读以下文章：

【杂谈】有三AI知识星球一周年了！为什么公众号+星球才是完整的？

【杂谈】万万没想到，有三还有个保密的‘朋友圈’，那里面都在弄啥！

转载文章请后台联系

侵权必究

往期精选

• 【每周论文推荐】 初入深度学习CV领域必读的几篇文章

• 【每周CV论文推荐】 掌握残差网络必读的10多篇文章

• 【每周CV论文推荐】 初学者必须精读的5篇深度学习优化相关文章

• 【每周CV论文推荐】 CV领域中数据增强相关的论文推荐

• 【每周CV论文推荐】 初学高效率CNN模型设计应该读的文章

• 【每周CV论文推荐】 初学目标检测必须要读的文章

• 【每周CV论文推荐】 初学深度学习图像分割必须要读的文章

• 【每周CV论文推荐】 初学GAN必须要读的文章

• 【每周CV论文推荐】 深度学习人脸检测入门必读文章

• 【每周CV论文推荐】 初学深度学习人脸关键点检测必读文章

• 【每周CV论文推荐】 初学深度学习人脸识别和验证必读文章

• 【每周CV论文推荐】 初学深度学习人脸属性分析必读的文章

• 【每周CV论文推荐】 初学活体检测与伪造人脸检测必读的文章

• 【每周CV论文推荐】 初学深度学习单张图像三维人脸重建需要读的文章

• 【每周CV论文推荐】 人脸识别剩下的难题：从遮挡，年龄，姿态，妆造到亲属关系，人脸攻击

• 【每周CV论文推荐】换脸算法都有哪些经典的思路？

• 【每周CV论文】深度学习文本检测与识别入门必读文章

• 【每周CV论文】深度学习图像降噪应该从阅读哪些文章开始