神经风格迁移是一种合成图像 \( \hat{I} \) 的方法，该图像结合了源图像 \( I_c \) 的内容和目标图像 \( I_s \) 的风格，基于深度卷积神经网络（CNN）。
形式上，通过最小化总损失函数进行优化
\[ \mathcal{L}_{total}(\hat{I}) = \alpha \mathcal{L}_{content}(\hat{I}, I_c) + eta \mathcal{L}_{style}(\hat{I}, I_s) \]
其中 \( \alpha \) 和 \( eta \) 是权重因子。
内容损失通常定义为特定 CNN 层的特征图的平方误差：
\[ \mathcal{L}_{content}(\hat{I}, I_c) = rac{1}{2} \sum_{i,j} (F_{ij}^l(\hat{I}) - F_{ij}^l(I_c))^2 \]
其中 \( F^l \) 是第 \( l \) 层的激活。
风格损失基于多层特征图的 Gram 矩阵差异，这些矩阵捕捉纹理和风格信息：
\[ \mathcal{L}_{style}(\hat{I}, I_s) = \sum_{l} w_l \| G^l(\hat{I}) - G^l(I_s) \|_F^2 \]
其中 Gram 矩阵为 \( G^l \)，权重为 \( w_l \)。
优化通常使用梯度方法，以生成同时融合内容和风格的图像。
定义：
“神经风格迁移是一种方法，利用深度神经网络，通过在网络层中提取内容和风格的独立表示，并通过优化将它们结合起来，实现将一幅图像的内容与另一幅图像的风格融合。”
来源：
Gatys, L. A., Ecker, A. S., & Bethge, M. (2016). Image Style Transfer Using Convolutional Neural Networks. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR).