论文名字为：《Universal Style Transfer via Feature Transforms》
前言
1.传统的风格迁移模型存在需要大量耗时、调参的问题，原因在于：
[1]通过计算原图和风格图的 content loss和style loss来保障迁移的效果，这导致对于每个风格都需要专门训练对应的网络，而训练是十分耗时的。
[2]对于style和content loss 我们仍然需要通过对layer的尝试参数,来得到一个和style较为匹配的表述才能有较好的效果，且针对不同的style这一步骤需要重新training,所以需要大量调参的过程。
可以看出问题主要出在风格上了，因此如何不单独对风格进行训练 而实现style transfer是一个很重要的问题，本文对应提出一种encoder/decoder的方式，来进行不需要训练的style transfer。
内容
1.论文主要的思想分为三点：多种形式的解码器训练 + WCT层的风格融合 + 连贯的精细化处理。
[1]本文首先训练多个解码器，将图像输入预训练好的VGG网络，提取不同的relu_n层结果作为编码输出，针对conv层结果训练Decoder进行解码，从而针对不同的relu1….relu5层设计出多个解码器，来对VGG卷积层结果进行还原。
[2]WCT层分为白化和上色两部操作，白化操作会使用式子从原图中提取出原图的内容形式，上色操作会将风格图的风格和内容形式进行拼合组成新的结果（有特定的计算式子，无需训练）。
[3]经过上面的两点可以得到中图的 编码-WCT-解码的结构，但是该怎么选取编码的relu层是个问题，不同的conv层各有其特点，因此为了有好的效果，设计出右侧的精细化处理流程，先粗后细。
2.由以上过程，可以发现唯一需要训练的是 第一步中的5个解码器，而训练过程和风格化图是没关系的，所以本模型无需针对每个风格单独训练模型，快速且方便，不过还有三个疑问：
[1]解码器具体是怎么训练的？
[2]WTC的过程和效果是怎样的？
[3]精细化处理的结构是否合理？
3.首先，作者使用了一个预训练的VGG-19作为编码器，对图片进行编码，保持编码器的权重不变，设计解码网络，利用损失函数设计解码器，这样得到的编解码器实际上是对图片进行一个恒等变换。损失函数分为两部分，一是像素重建损失，即生成图片与输入图片的均方误差；二是特征损失，即生成图与输入图在VGG-19的特征空间中的特征的均方误差。
4.针对另一个问题，WTC是在前人的基础上提出的，在将内容图和风格图经过编码过程后，先经过白化操作，式子如中图，先计算出内容图c的协方差矩阵的对角矩阵D、协方差矩阵的正交矩阵E,然后计算内容提取结果，右图是对编码到conv4经过白化再解码的结果，可发现内容图提取了主体结构，而去除了风格色。
5.之后是上色操作，上色是白化操作的逆操作，只不过求逆时是计算风格图经过Encoder后的协方 差矩阵的对角矩阵D、协方差矩阵的正交矩阵E参与计算进行还原，这样相当于在恢复原图时把风格图的风格融合到其中，下下图是合成的效果，后面的五个分别是从提取relu1到relu5进行还原的效果，可以发现更低层次的relu会保留更多的细节，但是风格化效果较差。
另外在从WCT传到decoder之前，我们可以通过使用参数控制风格化的把控，实验中多设α=0.6
6.最后是对精细化过程的思考，承接之前的结论，发现越小的relu层保存更多的细节，越大的relu层有更好的风格化效果，所以这里思考，如果使用一种循环的方式不断进行处理效果会怎样呢，
针对这一思考，作者提出了分别是有粗到细、由细到粗的两种结构，发现效果如下，由粗到细的过程拥有最佳的风格化效果。
总结
1.本文的模型结构较为清晰，且上色速度较快，并且通过对模型的适当利用，我们可以做多种任务，包括：
[1]单图片 双风格的合成，也许是选图的问题，感觉效果不怎么好。
[2]双风格合成单风格。
[3]有参数调控的纹理生成。
[4]有前后景分离的风格转化，这个挺有新意，但是作者没有开源控制单区域不变的效果，单区域不变的效果感觉更好（github上有展示），可以后续尝试。
[5]视频的风格化转换，经过试验发现本框架并没考虑视频的情况，所以效果并不好，抖动很严重，也许经过有光流稳定的Blind论文后处理效果会好一些。