4 实验效果和算法效率

图3是使用本文模型进行图像风格迁移的实例，图3（a）为风格图像，图3（b）为内容图像，图3（c）为结果图像。内容图像是北京邮电大学西土城校区正门，风格图像为神奈川冲浪里。可以看出，模型在内容图像的基础上生成了具有特殊纹理和色彩的输出图像。由图可见，在不需要提前学习任意风格的前提下，本文模型能够很好地抓取风格图像中视觉显著的图像。

图3 风格迁移实验效果

为了评价算法效率，表1将本文方法与其他方法在效率上进行了比较。Gatys等人的方法由于循环优化的原因，产生效果的结果较慢，并且在通常情况下该种方法需要多达500次以上的迭代才能产生相对不错的结果。TNET和Gatys的方法是两种类似的方案，他们的方法基于一个前馈网络，并且包含预训练过程。Chen 等人的方法也基于前馈网络，但由于该方法需要对数千个patches进行特征交换操作，因此其速度相对较慢。本文方法在实践过程中会稍慢于TNET的方法，这是由于WCT（白化和着色）过程中有一个特征值分解的步骤，该步骤需要占用一定计算时间。但需要说明的是，由于协方差矩阵的大小只会影响图像的数量，因此该步骤的计算成本并不会因为图像像素或尺寸的增加而增加。而其余方法的计算速度可能会受图像尺寸的影响而发生改变。目前，WCT中特征值分解的步骤主要是基于CPU来实现的。我们未来的工作即包括将这部分内容用更高效的GPU来实现。

表1 效率评估结果