当前位置:六维空间 > 【组图】GitHub上大热的Deep Photo终于有TensorFlow版了!_搜狐科技_搜狐网

【组图】GitHub上大热的Deep Photo终于有TensorFlow版了!_搜狐科技_搜狐网

时间:编辑:六维空间手机版

原标题:GitHub上大热的Deep Photo终于有TensorFlow版了!

王小新 编译整理

Prisma这个应用,你可能很熟悉。这是一个能将不同的绘画风格,迁移到照片中,形成不同艺术风格的图片。

今年4月,美国康奈尔大学和Adobe的一个研究团队Fujun Luan和Sylvain Paris等人,在arvix上通过论文“Deep Photo Style Transfer”,提出了一种叫做“深度摄影风格转换”的演化技术,能将一张照片的风格,迁移到另一张照片中,下图就是原论文中给出的实际示例。

原论文的效果示例

原论文作者Fujun Luan给出了Ubuntu 14.04系统下的Torch实现,见文末的相关链接2。

但是该Torch代码实现需配置复杂的MATLAB环境,浙江大学Yang Liu同学将该Torch实现转换成了TensorFlow实现,

下面是对这个TF实现的介绍:

这份TensorFlow实现支持Adam算法和原作者使用的L-BFGS-B算法。当TensorFlow升级到更高版本时,此代码中的ScipyOptimizerInterface函数可能不兼容。

由于TensorFlow的自动转换功能,本文的TensorFlow实现似乎更为简单。此外,本文并不依赖于MATLAB软件,而是使用了另一个计算库Matting Laplacian Sparse Matrix。图2是将照片风格转移到另一张照片的示例。本实现还参考了martinbenson的代码。

风格迁移示例 环境配置

1. 依赖库:

  • Tensorflow

  • Numpy

  • Pillow

  • Scipy

  • PyCUDA(仅在CUDA 8.0上测试过平滑局部仿射的功能)

建议使用Anaconda,这样仅需再安装TensorFlow和PYCUDA即可。可选装CUDA加速库,建议安装。

2. 下载VGG-19模型权重

VGG-19模型的权重矩阵由Tensorflow版本的VGG模型微调得到,仅对类别接口进行了少量修改,VGG-19模型权重被存储为npy文件。下载后,将该权重文件复制到此目录下./project/vgg19。

VGG和VGG-19的详情见文末相关链接。

使用方法

1. 基本方法

你只需要给出目标图像路径、风格图像路径、目标图像分割(content image segmentation)路径和风格图像分割(style image segmentation)路径,即可运行命令。

python deep_photostyle.py --content_image_path <path_to_content_image> --style_image_path <path_to_style_image> --content_seg_path <path_to_content_segmentation> --style_seg_path <path_to_style_segmentation> --style_option 2

代码示例:

python deep_photostyle.py --content_image_path ./examples/input/in11.png --style_image_path ./examples/style/tar11.png --content_seg_path ./examples/segmentation/in11.png --style_seg_path ./examples/segmentation/tar11.png --style_option 2

2. 其他选项

设置style_option的值,可得到三种不同的风格迁移方式。当style_option为0时,可得到分割后的中间结果,与Torch代码中neuralstyle_seg.lua文件相似;当style_option为1时,进一步使用这个中间结果生成最终结果,与Torch代码中deepmatting_seg.lua文件相似;当style_option为2时,将这两个步骤组合为一行命令,直接生成最终结果。

运行命令python deep_photostyle.py –help,可查看所有选项。

3. 图像分割

这个库不提供图像分割脚本的代码,仅能使用Torch版本的图像分割代码。本实现使用的掩码颜色与其相同。你也可以定义独特的分割模型和掩码颜色,来定制风格迁移系统。

例子

以下是利用TensorFlow实现算法得到的一些示例(以下四列从左到右分别是输入图像、风格图像、Torch效果和TensorFlow效果)

Torch实现和TensorFlow实现效果对比 原作者信息 @misc{YangPhotoStyle2017,author = {Yang Liu}, title = {deep-photo-style-transfer-tf}, publisher = {GitHub}, organization={Alibaba-Zhejiang University Joint Research Institute of Frontier Technologies}, year = { 2017}, howpublished = {url{https://github.com/LouieYang/deep-photo-styletransfer-tf}}} 相关链接

1.论文传送门:

https://arxiv.org/abs/1703.07511

2.原论文的Torch实现:

https://github.com/luanfujun/deep-photo-styletransfer

3.VGG模型的TensorFlow实现:

https://github.com/machrisaa/tensorflow-vgg

4.VGG-19模型下载:

https://drive.google.com/file/d/0BxvKyd83BJjYY01PYi1XQjB5R0E/view?usp=sharing

—— ——返回搜狐,查看更多

责任编辑:

新闻来源:量子位

原标题:GitHub上大热的Deep Photo终于有TensorFlow版了!_搜狐科技_搜狐网

六维空间:http://www.liuweispace.com/

六维空间移动端:http://m.liuweispace.com/

六维空间的所有信息均转载于其他网站或从互联网收集,如6v电影的稿件侵犯了您的权益或版权,请联系六维

Copyright © 2010-2018 六维空间(http://www.liuweispace.com/). All Rights Reserved.