不会编程也能过渡到这种酷视频风格吗？该工具进入Reddit热排行榜，还可以在线试玩-量子比特
这两天，Reddit上一篇关于视频风格迁移的帖子火了起来，发布仅仅一天就登上了机器学习社区热榜第一名。
艳丽华丽的游行让网友们惊叹不已。
著名恐怖片《闪灵》经处理，色彩明快，有漫画风格：
在电影《低俗小说》中，得到了像教会的彩色玻璃窗一样的处理效果天主：
有评论追问“是不是修正了CNN的层过滤器”。
但是楼主说：“我不是程序员，也不知道CNN是什么……”。
这有点不可思议，没有接触过机器学习的小白，是如何做出如此有效的视频风格过渡的呐。
单点视频风格迁移工具
Reedit热线程的所有者是一个从未学过计算机或编程的纯粹艺术从业者。
但他借助“一键”的傻瓜工具，轻松完成了视频风格的过渡。
该工具被称为Deep Dream Generator。
熟悉图像风格过渡的读者可能熟悉Deep Dream，2015年谷歌发布了该软件。
最初的Deep Dream是为2014年ImageNet视觉识别挑战而开发的，主要目的也是识别图像中的脸部和其他目标。
然而，随后发现经训练的Deep Dream可以反向操作以将给定图片的像素特征整合到目标中。
此后，Deep Dream开始在艺术创作圈流行起来，由此生成的风格过渡图像因为梦幻而被称为“Deep Dream”。
制作该工具的团队将Deep Dream制作成简单易用、无需计算机知识即可直接在网页上使用的版本。
使用简单，可以上传目标图像和“样式”，单击一次生成。
生成的图像的效果完全取决于上传的“样式”。
有了这个工具，即使是不懂艺术、不懂编程的小白，也能批量生产艺术作品。
视频风格迁移的两种方法
虽然Deep Dream Generator官方网站没有技术说明，但Deep Dream已经开源，风格迁移已经是轻型汽车在深度神经网络应用中的熟练领域。
一般来说，一般的样式迁移迁移算法是两种基本思想，一种是优化方法，二种是对其进行优化的前馈方法。
优化方法
这种方法实际上并没有使用真正意义上的神经网络。
任务中训练神经网络无所事事。您只需利用反向传播的优点来最小化两个定义的丢失值。
反向传播的张量是想实现的图像，从这里开始被称为“复刻”。想转移那种风格的艺术品被称为风格图像。迁移样式的图像称为内容图像。
“光刻”被初始化为随机噪声。然后，内容和样式图像一起通过预先训练的图像分类网络的若干层。
算法使用每个中间层的输出计算两种类型的丢失：样式丢失和内容丢失。在风格上，“复刻”离风格图像有多近，在内容上有多近。
△内容损失公式
然后通过直接改变“复刻”，将这些损失控制在最小限度。
重复多次，“复刻”可以包括样式图像的样式和内容图像的内容。原始内容图像的样式化版本。
前馈法
优化方法的缺点是运算成本高，处理时间长。
那么，有没有直接利用深度神经网络的特性来减轻开发者负担的好办法呢。
前馈方法的本质是创建一个未训练的图像转换网络，其功能是将内容图像转换为对“复刻”的最佳猜测。
然后，对图像变换网络的输出结果进行“复刻，与内容或风格图像一起通过预训练图像分类网络计算内容或风格损失。
最后，为了减少丢失，丢失函数必须反向传播到图像转换网络的参数，而不是直接传播到图像转换网络的参数。
迁移任何样式
前馈方法可以立即产生样式化的结果，但是可以仅对给定的样式图像进行复刻。
训练一个网络可以接受任何样式图像，可以从两个图像生成样式化结果吗？
换句话说，真的可以建立任意样式的转发网络吗？
几年前，一位研究人员发现，图像转换网络中的实例规范化层是唯一代表重要风格的层。
如果不更改所有卷积参数，只学习新的实例规范化参数，则可以在一个网络中表现完全不同的样式。
康奈尔大学的团队第一次把这个想法变成了现实。他们的解决方案使用“自适应实例规格化”，使用编码器-解码器体系结构从样式图像中生成实例Norm参数，效果相当不错。
当然，上面介绍的三种方法都需要一定的编程计算机基础，但如果你只是想尝试Deep Dream Generator，你可以直接点击下面的传输门。
https：//deepdreamgenerator.com/generator
参考链接https：//arxiv.org/abs/1703.06868
-结束了