74
правки
Изменения
→Model-Optimisation-Based Offline Neural Methods
MOB-NST решает проблему скорости и вычислительных затрат IOB-NST путем использования [[Neural_Style_Transfer#Model-Optimisation-Based Offline Image Reconstruction | MOB-IR]] для восстановления стилизованного результата, то есть сеть <math>g</math> с прямой связью оптимизируется для большого набора изображений <math>I_{C}</math> для одного или нескольких изображений стиля <math>I_{S}</math>:
<math>/\theta ^* = /\arg /\min /\mathcal{L}_{total} (I_{C}, I_{S}, g_{/\theta *}(I_{C})), I* = g_{/\theta *}(I_{C}) </math>
MOB-NST делится на методы:
'''Алгоритм Дюмулена'''. Дюмулен обнаружил, что для моделирования различных стилей достаточно использовать одни и те же сверточные параметры масштабирования и сдвига в слоях [[Neural_Network_Transfer#Parametric PSPM with Summary Statistics | IN]]. Поэтому он предлагает алгоритм обучения условной мульти-стильной сети передачи на основе '''нормализации условного экземпляра''' (CIN):
<math>CIN(/\mathcal {F}(I_{C}), s) = \gamma ^s \left ( \frac{/\mathcal {F}(I_{C}) - \mu (/\mathcal {F}(I_{C}))}{\sigma (/\mathcal {F}(I_{C}))} \right ) + \beta ^s</math>
где <math>/\mathcal{F}</math> {{---}} активация функции ввода, а <math>s</math> {{---}} индекс желаемого стиля из набора изображений стилей.
Каждый стиль <math>I_{S}</math> может быть достигнут путем настройки параметров аффинного преобразования. Нормализация статистики объектов с различными аффинными параметрами может нормализовать входное изображение контента для разных стилей. Кроме того, алгоритм Дюмулена также может быть расширен для объединения нескольких стилей в одном стилизованном результате путем объединения аффинных параметров различных стилей.
