参数化笔触风格迁移 TensorFlow 实现

1. 项目介绍

本项目是基于 CVPR 2021 论文 "Rethinking Style Transfer: From Pixels to Parameterized Brushstrokes" 的 TensorFlow 实现。项目通过将风格迁移的任务从像素级别转移到参数化的笔触级别，实现了更加自然和艺术化的风格迁移效果。

2. 项目快速启动

环境准备

1. 克隆项目仓库：

   git clone https://github.com/CompVis/brushstroke-parameterized-style-transfer.git
   cd brushstroke-parameterized-style-transfer
   

2. 创建 Conda 环境，并安装 TensorFlow 1.14：

   conda create --name tf14 tensorflow-gpu==1.14
   conda activate tf14
   

3. 安装项目依赖：

   pip install -r requirements.txt
   

基本使用

以下是一个简单的风格迁移示例：

from PIL import Image
import model

# 加载内容图片和风格图片
content_img = Image.open('images/content/golden_gate.jpg')
style_img = Image.open('images/style/van_gogh_starry_night.jpg')

# 进行风格迁移
stylized_img = model.stylize(content_img, style_img, num_strokes=5000, num_steps=100, content_weight=1.0, style_weight=3.0, num_steps_pixel=1000)

# 保存结果
stylized_img.save('images/stylized.jpg')

3. 应用案例和最佳实践

• 自定义笔触风格：用户可以通过调整 num_strokes（笔触数量）、num_steps（优化步骤）等参数来定制风格迁移的效果。

• 交互式应用：项目提供了一个基于 Streamlit 的交互式应用，用户可以绘制曲线来控制笔触的流动。在本地运行应用：

  CUDA_VISIBLE_DEVICES=0 streamlit run app.py
  

• 远程服务器运行：如果需要在没有 GPU 的远程服务器上运行，可以通过端口转发来在本地机器上访问应用。

4. 典型生态项目

• PyTorch 实现：由 justanhduc 提供的 PyTorch 版本实现，可以在 这里 找到。

通过上述介绍和指南，用户可以快速上手本项目，并探索风格迁移的更多可能性。