风格迁移 Neural Style Transfer

基于 Gatys et al. 2016 CVPR 论文，使用 PyTorch 实现的神经风格迁移。

项目结构

Style_Transform/
├── images/
│   ├── content/
│   │   └── tyut.jpg           # 内容图：太原理工大学
│   └── style/
│       ├── starry_night.jpg   # 风格图：梵高星空
│       └── mona_lisa.png      # 风格图：蒙娜丽莎
├── output/                    # 输出结果
├── style_transfer.py          # 主程序
├── requirements.txt           # 依赖
└── README.md

环境要求

• Python 3.8+
• PyTorch（建议 GPU 版本）
• torchvision、Pillow、numpy

在 Google Colab 上运行

1. 打开 Colab

访问 colab.research.google.com，新建 Notebook。

2. 设置 GPU

菜单栏 → 「修改」 → 「笔记本设置」 → 硬件加速器选择 T4 GPU → 保存。

3. 上传项目文件

在 Colab 左侧文件面板中，上传以下文件：

• style_transfer.py
• images/ 文件夹（包含 content 和 style 子目录及图片）

或者使用代码上传：

from google.colab import files
uploaded = files.upload()

4. 运行

# 梵高星空风格
!python style_transfer.py \
    --content images/content/tyut.jpg \
    --style images/style/starry_night.jpg

# 蒙娜丽莎风格
!python style_transfer.py \
    --content images/content/tyut.jpg \
    --style images/style/mona_lisa.png

5. 查看结果

结果保存在 output/ 目录中，可在 Colab 文件面板中查看和下载。

本地运行

pip install -r requirements.txt
python style_transfer.py --content images/content/tyut.jpg --style images/style/starry_night.jpg

参数说明

参数	默认值	说明
--content	images/content/tyut.jpg	内容图路径
--style	images/style/starry_night.jpg	风格图路径
--output_dir	output	输出目录
--max_size	400	图像最大边长
--total_step	2000	总迭代步数
--style_weight	100	风格权重（越大风格越强）
--lr	0.003	学习率
--log_step	10	日志打印间隔
--sample_step	500	中间结果保存间隔

参考文献

Gatys, L.A., Ecker, A.S. and Bethge, M., 2016. Image style transfer using convolutional neural networks. In CVPR.