Arbitrary Style Transfer in Real-time with Adaptive Instance Normalization

在之前的风格迁移工作中，往往需要较长时间的迭代优化而限制了其应用场景。而通过前馈神经网络来快速进行风格转化的方法也存在一种缺陷，即：网络经常会陷于一组类型的风格而无法适应于新的任意风格。批标准化(Batch Normalization, BN)经常用于神经网络的迭代训练中，从以往的工作[2]中发现批标准化层也同样对生成图像模型有效，可以想象为图像由内容特征和风格特征构成，而BN对特征的方差和均值进

>>阅读原文<<