我们在机器学习系统的训练中用到了这一观察。也就是，我们训练一个能够捕捉且概括众多莫奈作品、或者其他流派不同画家作品的单个系统。产生的 pastiche 足以媲美之前工作产生的画，同时源自同样的风格迁移网络。

由我们的单网络产生的 pastiche 实在 32 个不同的风格上训练得到的。这些画质量上等同于由单风格网络创造的作品。

我们开发的该技术简单易部署，也不需要密集的存储。此外，我们的网络在数个艺术风格上进行训练，允许实时结合多个绘画风格，就像文中视频展示的那样。下面就是 4 种风格按不同比例结合的成果：

不像之前快速迁移风格的方法，我们认为这种同时建模多种风格的方法开启了一种让用户与风格迁移算法交互的新方式，不仅是允许基于多个风格的混合进行自由创造，而是这个过程是实时的。

关于该算法的细节和运行该模型的 TensorFlow 源代码将在未来发布。

论文：A Learned Representation For Artistic Style

摘要：绘画风格的多样性对构建图像而言代表丰富的视觉词汇。如果不是通常画像，atv，学习或捕捉这些视觉词汇的程度表达出了我们对更高层次绘画的理解。在此研究中，我们调查了如何构建单个、可延展深度网络，能够贪婪的捕捉不同派别的艺术风格。我们证明这样的网络能够通过将一种绘画降低到到嵌入空间的一个点，从而概括不同的艺术风格。重要的是，该模型允许用户通过任意结合单个绘画的风格来探索新的绘画风格。我们希望这项研究能够为迈向建立丰富的绘画模型提供帮助，也希望在艺术风格表征学习的建构上提供一个窗口。

　　References

　　[1] Efros, Alexei A., and William T. Freeman. Image quilting for texture synthesis and transfer (2001).

　　[2] Hertzmann, Aaron, Charles E. Jacobs, Nuria Oliver, Brian Curless, and David H. Salesin. Image analogies (2001).

　　[3] Gatys, Leon A., Alexander S. Ecker, and Matthias Bethge. A Neural Algorithm of Artistic Style (2015).

　　[4] Ulyanov, Dmitry, Vadim Lebedev, Andrea Vedaldi, and Victor Lempitsky. Texture Networks: Feed-forward Synthesis of Textures and Stylized Images (2016).

　　[5] Johnson, Justin, Alexandre Alahi, and Li Fei-Fei. Perceptual Losses for Real-Time Style Transfer and Super-Resolution (2016).

©本文由机器之心编译，转载请联系本公众号获得授权。

　　?------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]