概述
快速神经风格转移（Fast Neural Style Transfer）可以生成将输入图像的内容与另一图像的风格混合起来的新图像。该模型包含一个使用 ResNet 架构的深层前馈卷积网络，并通过感知损失函数在内容图像数据集和给定风格图像之间进行了训练。它在 COCO 2014 数据集和 4 种不同风格的图像上进行了训练。该模型的输入是图像，输出则是一个风格化的图像。该模型基于 Pytorch 快速神经风格转移示例。
模型元数据
| 领域 | 应用 | 行业 | 框架 | 训练数据 | 输入数据格式 |
|---|---|---|---|---|---|
| 视觉 | 风格转移 | 通用 | Pytorch | COCO 2014 | 图像 (RGB/HWC) |
参考资料
- J.Johnson、A. Alahi 和 L. Fei-Fei，“Perceptual Losses for Real-Time Style Transfer and Super-Resolution”，2016 年
- D.Ulyanov、A. Vedaldi 和 V. Lempitsky，“Instance Normalization”，2017 年
- D.Ulyanov、A. Vedaldi 和 V. Lempitsky，“Improved Texture Networks: Maximizing Quality and Diversity in Feed-forward Stylization and Texture Synthesis”，2017 年
- Pytorch 快速神经风格转移示例
许可
| 组件 | 许可 | 链接 |
|---|---|---|
| 模型 GitHub 代码仓库 | Apache 2.0 | 许可 |
| 模型权重 | BSD-3-Clause | Pytorch 示例许可 |
| 模型代码（第三方） | BSD-3-Clause | Pytorch 示例许可 |
| 测试资产 | CC0 | 样本 README |
可用于部署此模型的选项
可使用以下方法部署此模型：
从 Dockerhub 部署：
docker run -it -p 5000:5000 codait/max-fast-neural-style-transfer在 Red Hat OpenShift 上部署：
遵照本教程中有关 OpenShift Web 控制台或 OpenShift Container Platform CLI 的操作说明，并将
codait/max-fast-neural-style-transfer指定为图像名称。在 Kubernetes 上部署：
kubectl apply -f https://raw.githubusercontent.com/IBM/MAX-Fast-Neural-Style-Transfer/master/max-fast-neural-style-transfer.yaml本地部署：遵照 GitHub 上的模型 README 中的说明进行操作
用法示例
部署之后，您可以通过命令行测试该模型。例如：
curl -F "image=@samples/bridge.jpg" -XPOST http://localhost:5000/model/predict?model=udnie > result.jpg && open result.jpg
资源和贡献
如果您有兴趣为 Model Asset Exchange 项目做贡献或有任何疑问，按照此处的说明进行操作。
本文翻译自：Fast Neural Style Transfer（2018-09-21）