图片风格转移Let there be Color!: Joint End-to-end Learning of Global and Local Image Priors for Automatic

这就是论文的目的，将一张黑白图片着色为一张彩色图片

再看这篇文章前，最好是对神经网络有了初步的了解。文章第三部分，很大篇幅在介绍神经网络的一些基础知识。演示demo

在这篇论文中，他把上述过程描述为：使用现有大量图片数据来训练我们提出的模型，目的是使用 CIE lab颜色空间来预测灰度图像的chrominance（任意一种颜色与亮度相同的一个指定的参考色之间的差异）。 理解一下这个过程，就是我们在L（亮度）相同的点上来预测目标a*b*的值，使得目标a*b*的值与参考a*b*值之间的差异最小，得到我们的模型。训练得到的模型输出是每个点的a*b*值，这个a*b*值图与原来的灰度图L相结合，得到最终的彩色图。

我的理解，一个神经网络很重要的是他的目标函数(损失函数)，也就是说，我们想让这个网络达到什么样的效果。这篇论文的目标函数是——将目标图片缩放到网络的输出图片的大小，并计算输出和目标之间的MSE，使得MSE最小。

I,K为两张图片  m,n为图片长宽  （i,j）像素的lab值

接下来，讲一下文章的核心部分，他的网络模型。

网络模型图

3.1 神经网络

公式（1）

公式2

不要被原论文中的公式吓坏了，尤其是（2），完全是（1）的扩展，理解（1）就好了。我们解释下模型图，下面一溜是普通的CNN，只不过这个CNN的前层没用Pooling层。上面的一溜其实是FCN，全连接网络，做语义分割用。

3.2 全局和局部信息结合

为什么要讲这两种信息结合呢？

用全局信息作为一种先验信息存在，来判别这张图片是室内还是室外，局部信息根据这个场景，就不会把家具之类的东西染成天空或者草地的颜色，而是会把他染成棕色。

3.2.1 共享低维特征

网络中的前六层卷积（紫的）是公共的，里面的参数是完全一样的，值得说明的是，这六层网络用Stride=2代替了Pooling层，这样可以增加每层的空间信息。替代详细解释

3.2.2全局图像特征

4层卷积层+3层全连接=256-dimensional vector

3.2.3中层特征

2个卷积层->H / 8 × W / 8 × 256的小长方体

3.2.4融合前两层特征

如何融合呢？

很简单，我们可以把全局的特征看为1×1×256的小长方条，把他叠成H / 8 × W / 8形成一个跟中层特征一样大小的长方体，把这两个长方体串联到一起，形成一个H / 8 × W / 8×521的长方体。【跟论文中一个意思，论文中就像是拿一根串，把两个串起来】

粉色的线表示u,v   局部和全局描述在这个地方串联

3.3分类染色

使用交叉熵和ＭＳＥ来训练这个分类网络

前面那一项ＭＳＥ，就是我最先提到的目标函数，为什么还要加上交叉熵呢？交叉熵函数这里还需要再了解下

左边紫色横向的线表示分类网络的输入，右侧竖向的线是输出类别可能性【分类】

４.实验和讨论

进行了以下实验，具体，我们可以看论文中的图片

１.训练时，我们使用一个小的脚本去掉了灰度图和颜色变化较小的图片。

２.显示了下自己的染色结果

３.对比了其他人的染色结果

４.让人民对染色结果进行评判

５.副产品－学习到一张图片的风格－＞应用于新的图片

６.对老照片的染色

７.网络的分类结果也不错

８.使用ＣＩＥｌａｂ空间效果好

９.计算时间满足ｒｅａｌｔｉｍｅ

论文的限制－对于一个人穿的衣服颜色，没有一个好的办法去限定，比如：下面的例子说明了错误

帐篷的颜色无法给出严格的限定