神经风格转移 基于VGG19模型的神经风格Trnasfer :star: 在GitHub上为这个项目加注星标-它会有所帮助！ 是GAN应用程序中最好的例子之一。 它可以改善输入的低分辨率图像的质量。 作为生成器，此GAN使用SRResNet （超高分辨率残留网络）。 为了提供更好的输出图像质量，网络在三种不同的损失函数上进行训练。 表中的内容 评估 您可以在图像上评估经过预训练的超分辨率GAN 。 为此，请使用eval.py 训练 数据库 超分辨率甘练得从STL10数据集torchvision.dataset 。 发电机预热 在训练生成器和鉴别器之前，我们应该在具有像元损失函数的数据集上对Ganarator进行预训练。 有关生成器的预热，请参见“ ”。 鉴别器训练 发电机预热后，我们将对发电机和鉴别器的损失功能进行培训。 生成器损失包括对抗性损失（伪造预测与目标之间的BCE损失），基于模型

图像风格迁移模型（含imagenet-vgg-verydeep-19.mat模型和代码），基于tensorflow1.14，实测可用。

将图像转换成蒙太奇风格, 需要另外自行准备目标图像和素材

基于Python语言，在PyCharm软件下编写。利用VGG模型进行图像风格转换，实现了界面可视化，可直接在界面上导入本地图片（内容图与风格图），并进行参数设置，然后进行图像风格的转换。界面操作简单，代码注释清晰，且包含完整的论文。

这是基于VGG19网络的一个图像风格转换，需要下载VGG19的权重文件，拷入到工程目录下即可，代码直接运行就能跑。