基于深度学习的图像风格迁移发展总结-编程知识

前言

本文总结深度学习领域的图像风格迁移发展脉络。重点关注随着GAN、CUT、StyleGAN、CLIP、Diffusion Model 这些网络出现以来，图像风格迁移在其上的发展。本文注重这些网络对图像风格迁移任务的影响，以及背后的关键技术和研究，并总结出一些经典论文作为学习参考。

Optimization-based Neural Style Transfer
- 基础结构
- AdaIN
基于GAN的风格迁移
- 基础结构
- CycleGAN
- loss优化
  - 水墨画
  - 风景画
  - 卡通画
  - 人脸肖像画
- CUT对比学习
- StarGAN 多域风格迁移
基于StyleGAN的风格迁移
- 基础结构
- 风格迁移实现
- few-shot style transfer
  - Fixation and Adaptation
  - Latent Space Adaptation
  - JoJoGAN
基于自然语言语义信息（textual）指导的风格迁移
- CLIP
- 语义信息（textual）指导风格迁移
  - CLIPStyle
  - One-Shot Adaptation of GAN in Just One CLIP
  - StyleGAN-NADA
基于Diffusion Model的风格迁移
- 基础结构
- 风格迁移实现
  - DISENTANGLED STYLE AND CONTENT REPRESENTATION
  - Inversion-Based
  - ProSpect
  - T2I-Adapter
- 其余论文

Optimization-based Neural Style Transfer

基础结构

A Neural Algorithm of Artistic Style 2015

基于具有一定图像理解能力的VGG-16网络，对内容图像和风格图像进行特征提取，再根据这些特征的一阶特征矩阵（轮廓）构建content-loss，根据二阶特征矩阵（风格纹理）构建style-loss，使得新生成的图像内容符合内容图像、风格符合风格图像；

两个损失分别负责内容和风格生成的任务，可以生成质量较好的风格化图像，但具有以下缺点：
（1）每张内容/风格图像都要重新训练网络，训练时长也不短
（2）训练不稳定，很容易出现模式坍塌、过拟合等情况
（3）实用场景局限

AdaIN

Arbitrary Style Transfer in Real-time with Adaptive Instance Normalization 2017

在依据图像特征构建损失的过程中，有研究人员发现VGG网络中特征的均值/方差代表了风格，在构建损失前对图像特征进行去风格化（去除均值/方差），对网络学习效果和速度有很大的提升；

可以看到，Instance Norm是先去风格化再构建损失的曲线，收敛快、效果好;
AdaIN方法在图像风格迁移任务中被广泛应用，在后续网络中都有运用；

基于GAN的风格迁移

基础结构

Generative Adversarial Nets 2014

‘最锋利的剑与最坚固的盾’ 相互对抗，使得生成器能够从一个噪声空间中学习到向目标图像域的映射，最终生成器能够不断生成我们需要的图像；
直接利用在风格迁移：对预训练好的生成器微调，数据集换成风格图像，微调较少的epoch，即将原域图像映射到风格图像域中；
基于GAN的风格迁移缺点：
（1）模式坍塌、过拟合，当生成器‘记住’少数几幅风格图像，生成时将这些图像复制输出，则‘最锋利的剑与最坚固的盾’的机制将无法再约束模型；（解决：CycleGAN、CUT）
（2）Random noise 是一个抽象数学域，无法有效控制；（解决：StyleGAN、CycleGAN）

CycleGAN

Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks 2020

使用两组生成器/鉴别器，分别完成原域/目标域相互的转换；这样不仅可以保证输出结果是可控的，也通过循环一致性使得‘最锋利的剑与最坚固的盾’ 对抗机制持续有效，网络无法‘记住’风格图像（需要将输出图像重新转换到原域）；

loss优化

仅仅通过对抗机制的损失约束模型，在特定艺术风格领域生成效果无法做到最好，通常需要额外的损失，增强模型学习能力；

水墨画

水墨画；线条、笔画模糊损失；
ChipGAN: A Generative Adversarial Network for Chinese Ink Wash Painting Style Transfer 2018

风景画

风景画：边缘损失
End-to-End Chinese Landscape Painting Creation Using Generative Adversarial Networks 2020

卡通画

卡通画：结构损失、纹理模糊损失、色彩损失
Learning to Cartoonize Using White-box Cartoon Representations 2020

人脸肖像画

人脸肖像画：边缘损失、基于细粒度鉴别器的五官约束损失
Unpaired Portrait Drawing Generation via Asymmetric Cycle Mapping 2020

CUT

Contrastive Learning for Unpaired Image-to-Image Translation 2020

在GAN的基础上引入特征之间的对比损失，对encoder端的特征按patch划分，然后相同部位的patch应当拉近距离，而不同部位的patch则推远；此方法对于保存原域特征十分有效，且对比损失会利于特征解耦，有利于特征向目标域映射；

（1）对比学习的思想在后续研究中都会有涉及（StyleGAN、Diffusion Model）
（2）对比学习在特定艺术风格迁移任务上，也需要辅助的loss设计，如上

StarGAN 多域风格迁移

StarGAN v2: Diverse Image Synthesis for Multiple Domains 2020

以往的研究都是完成单个域之间的转换，如马<=>斑马，人脸<=>笑脸，人脸<=>哭脸；有两个缺点：
（1）每两个单域的转换都需要训练一个网络，实用受限；
（2）许多转换任务应当是可以共享参数资源的，如人脸表情的转换；

因此，starGAN提出在风格迁移任务中用域标签标定多个目标域，在网络设计和损失中增加多域分类的任务，使得网络可以根据特定的域标签实现向目标域的风格迁移；

最终，一个主干网络、多个子目标域对应的模块，即可实现单个域向多个目标域的风格迁移；但是仍然有很大的提升空间：

风格迁移的域仍然是有限的，想实现更细致的转化还是很难；如：在伤心脸和哭脸中间应当还有很多种状态，而不是简单的跳变；
风格style空间的定义仍然是一个不可控的域，无法观察到特征变化与实质结果的对照，无法对这个style空间进一步控制；

基于StyleGAN的风格迁移

基础结构

A Style-Based Generator Architecture for Generative Adversarial Networks 2020

（1）与传统GAN中latent是随机不可控噪声不同，StyleGAN用一个Mapping网络将latent映射到一个18*512的向量空间，这个向量空间是可解释、可控的，对应着生成图像各个层次的风格特征；
（2）原先的随机噪声由另一端B引入，且同样分多层引入，以实现多层次的风格控制生成；Noise与上层输出合并后经过AdaIN去风格化，以使得A实现对style的控制；
（3）网络结构更大、层数更多，大量数据训练后有强大的生成能力

风格控制能力：替换原图像的某几层latent为目标图的，以实现多层次的控制；如上图，StyleGAN的风格控制是分层次的、且接近线性的，可实现不同程度的控制；如粗粒度对应性别和脸型、中粒度对应脸部特征、细粒度对应皮肤纹理；

问题：StyleGAN的风格控制/迁移只能在其原先的域内完成，如表情/脸型的变化；当想往Latent域外迁移时则做不到，如实现人脸=>素描；

风格迁移

使用StyleGAN实现向Latent域外迁移，与GAN中的方法一样，通过鉴别器、特定损失设计、对比损失等进行约束，训练模式与普通的GAN相似；

由于预训练好的StyleGAN（大模型雏形）已经有很强的图像表征能力了，因此在实现风格迁移时往往不需要大量目标域图像，研究重点往往放在few-shot style transfer上；使用5-10张目标域的图像对StyleGAN进行微调，使其生成的图像符合目标域特征；

few-shot style transfer

使用StyleGAN微调以实现风格迁移，关键难点在于：
（1）从少量风格图像中充分利用风格特征信息；
（2）保持StyleGAN原域结构不破坏，防止StyleGAN‘记住’少量风格图像欺骗鉴别器，而不去微调完成风格迁移的任务；

Fixation and Adaptation

(1) 固定一个StyleGAN，微调另一个；在输出端运用细粒度的鉴别器以充分利用风格信息，对称生成图像的特征层用KL散度损失以约束StyleGAN原域的结构；

Few-shot Image Generation via Cross-domain Correspondence 2021

(2) 对微调前后的StyleGAN中相同层的self-correlation矩阵进行一致性约束，以确保原域结构不破坏；微调前后输出图像的Latent相互关系约束对齐，以保持StyleGAN原域结构；细粒度的鉴别器充分学习风格特征；

Few shot generative model adaption via relaxed spatial structural alignment 2022

(3) 与前两个方法相似，但是引入CUT对比损失加强风格学习能力

CtlGAN: Few-shot Artistic Portraits Generation with Contrastive Transfer Learning 2022

A Closer Look at Few-shot Image Generation 2022

Latent Space Adaptation

不微调StyleGAN网络的参数，而是用一个Adaptor网络学习Latent Space的映射，将原域的Latent Space映射到目标域以实现风格迁移；这个方法基本不破坏StyleGAN原域的结构，但是风格学习能力十分有限；

ONE-SHOT GENERATIVE DOMAIN ADAPTATION 2021

JoJoGAN

JoJoGAN: One Shot Face Stylization 2022

小结

StyleGAN 风格迁移的总结；

优点：
（1）基于StyleGAN的风格迁移可以在少量数据下学习效果很好；
（2）具有风格控制能力（Latent Space），迁移后的网络不同层输入的Latent可以控制使用原域或者目标域的，以实现多层次的风格迁移控制；

缺点：
直接操作Latent Space控制生成还是需要一定的专业知识，要懂得StyleGAN的结构才能完成；

因此，再进一步的研究目标应该是让这个风格控制可以通过自然语言控制；

基于自然语言语义信息（textual）指导的风格迁移

CLIP

Learning Transferable Visual Models From Natural Language Supervision 2021

原始的CLIP：基于对比学习，在大量图-文对数据上进行训练，让图像特征和文本特征在同一个向量空间中对齐；这个空间包含了图像和文本域的相关信息，因此我们可以根据自然语言得到其在图像层面的特征，进一步控制风格迁移的过程；

发展的CLIP：预训练数据越来越多，特征对齐完成度很高，文本信息能够和多层次的图像特征对齐，在控制风格迁移时效果越来越好；

语义信息（textual）指导风格迁移

基本思想：对于原域和目标域有准确的文本描述，网络输出图像和原域图像在CLIP向量空间中的距离应当与文本的距离一样，这个过程用对比损失约束；

语义信息的约束关键在输出端构建损失，而网络是不受限制的，可以是最初始的VGG、CycleGAN，也可以是StyleGAN；

(1) CLIPstyler: Image Style Transfer with a Single Text Condition 2022

(2) 在StyleGAN风格迁移上引入CLIP增强效果，原先训练模式和结构不变

One-Shot Adaptation of GAN in Just One CLIP 2022

(3) 没有使用风格图像，直接依靠CLIP的语义对齐能力，通过文本指导风格迁移

StyleGAN-NADA: CLIP-Guided Domain Adaptation of Image Generators 2022

基于Diffusion Model的风格迁移

相比于StyleGAN，Diffusion Model的图像生成能力进一步增强，且图像生成的控制约束不再通过特定的损失loss，而是解耦成一些condition（textual信息、辅助图像特征等），对于Latent Space的控制更强、实用性更高；

基础结构

原始的Diffusion Model：
Diffusion Models Beat GANs on Image Synthesis NeurlIPS 2021

不像GAN模型那样研究从噪声中逐渐生成完整图像，而是每一步都给原图像加随机噪声，再通过网络从加噪后的图像中还原出噪声，重复500-1000个steps，网络对图像多层次的特征都能学习到，并且能够对这些特征进行 ‘反扩散’ 也即控制；

优化增强的Diffusion Model
High-Resolution Image Synthesis with Latent Diffusion Models 2022

（1）不在原本的像素空间上建模扩散模型，而是构建出一个 Latent Space，增强模型能力
（2）网络对噪声的预测过程中，增加若干控制信号 condition，通过Transformer的交叉注意力机制进行学习；
（3）这里的condition可以是 CLIP 编码的 textual 信息（基于文本的图像生成）、风格图像（风格迁移的实现）、Semantic Map（图像分割的实现）

风格迁移实现

将风格图像嵌入为 condition，微调扩散模型，使得扩散模型能够学习到风格condition；

(1) 基于目标图像的 condition、对比损失优化，微调模型，实现风格迁移

DIFFUSION-BASED IMAGE TRANSLATION USING DIS- ENTANGLED STYLE AND CONTENT REPRESENTATION 2022

(2) 将图像通过 CLIP 编码得到特征 condition，再通过一个额外的Attention层优化

Inversion-Based Creativity Transfer with Diffusion Models 2022

(3) 研究不同step对于生成图像的控制：对应StyleGAN中不同层的控制；将condition分解成若干个控制向量，以实现细致的风格迁移与控制

ProSpect: Expanded Conditioning for the Personalization of Attribute-aware Image Generation 2023

上述三个方法思路相似，通过目标域图像的 condition 微调扩散模型参数，以实现风格迁移，对应 StyleGAN 中的 Fixation and Adaptation；下述方法不微调模型，而是通过调整 Latent Space 的分布，以实现风格迁移，对应 StyleGAN 中的 Adaptor；