CVPR2020收录了一篇卡通化的文章，Xinrui Wang和Jinze Yu的《Learning to Cartoonize Using White-box Cartoon Representations》。可以把人物或者风景画转换为卡通风格的图片，效果非常惊艳。
相比于之前深度学习为人诟病的“黑盒”学习，文章中提出了生成卡通化图片的“白盒”表示法，将图像分解为三种卡通表示，指导网络优化生成卡通照片，三种表示分别是surface表示、structure表示、texture表示。
我个人的理解是，图像的三种表示分别是表示图像的低频特征、中频（结构）特征和高频特征，就像是从远处、不远处和近处的视角分别看同一个人的过程：
- 低频表示就是图像的整体外观，去掉了所有的纹理和细节。就像是遥望一个人，重点在“遥望”二字。这时只有一个整体的、模糊的观感，能看到这是一个人形生物，只能看到人身上衣服的主色调等信息，人物与周围背景的边界是模糊不清的。近似的人可以摘掉眼镜看看周围，近似700度的我摘了眼镜确认了下，大致就是这种感觉没跑了。
- 结构表示或者中频表示，就像是更近一点看这个人，但是距离感仍然在，鼻子眼睛等细节还是看不清楚，但是人物轮廓甚至上下衣的轮廓可以看清了，仍然看不清脸。各部分的主色调也更加清晰了。
- 高频表示就是近看了，细节、纹理和更精细的轮廓等信息都能看到了，这个时候就是所谓“有鼻子有眼”了。
图像被分解为surface表示、structure表示、texture表示之后，卡通化的任务也就比之前端对端的黑盒式学习明确了很多。作者提出用三个独立的模块分别去学习图像的这三种表示，即三个模块分别提取图像的低频、中频和高频的特征。
文章提出了一个包含一个生成器G(Generator)和两个判别器Ds(D_surface)和Dt(D_texture)的GAN框架。
Ds用于判别模型从源图像中提取的图像的低频表示与卡通图片（标注）
Dt用于判别模型从源图像中提取的图像的高频表示与卡通图片（标注）
用预训练的VGG网络提取源图像的high-leval特征，并在提取的结构（中频）特征和输出之间以及输入照片和输出之间对全局内容施加空间约束
过程可以理解为，
- 将输入图像通过导向滤波器处理，得到低频表示；
- 通过超像素处理，得到中频表示；
- 通过随机色彩变幻得到高频表示。
- 卡通图像也一样。
将GAN生成器产生的fake_image分别于上述表示结果做损失。其中
- 纹理（中频）表示与表面（低频）表示通过判别器得到损失
- 中频特征比较复杂，fake_image的中频表示与fake_image，输入图像与fake_image，分别通过vgg19网络抽取特征，进行损失的计算。
总损失由以上各种损失加权，可以通过改变损失函数中每个特征loss的权重来调整卡通化结果的样式。
这样处理之后，对于大部分图片的卡通化处理都非常惊艳。来几张图看看效果吧。
想自己试试的小伙伴可以下方链接尝试：
自己试试卡通化吧
