Neural doodle 由 Alex J. Champandard (2016, nucl.ai)在論文 Semantic Style Transfer and Turning Two-Bit Doodles into Fine Artworks 提出，主要用途是透過patch-based style transfer將風格遷移到使用者繪製的模板。
如果不了解風格遷移的讀者，可參考
網路架構
相較於原本的架構，相當於多了一個附屬網路處理模板(mask)和風格及內容的特徵。
訓練
風格遷移有很多不同的實現方式，其中Gram-based 和 patch-based兩個方法為主，這兩種都不需要額外的資料作訓練。
Gram-based的方法使用Gram matrix計算風格損失，而patch-based方法採用最近鄰的patch計算風格損失，這類方法也被稱為MRF prior(馬可夫隨機場先驗)。
patch-based 方法需要使用多尺度訓練來產生較佳的結果，這麼做相當於讓模型從小畫布開始繪圖，當模型覺得已經畫得很好時，再給它一張更大的畫布
- 比起一開始就用高解析度繪圖提供更好的起始點
- 擴大的畫布可以進一步加強較小畫布的結果
實作方式如同論文擴大畫布的方法是上採樣2倍，可以試試resize說不定不會如本文得到預料之外的結果。
內容與風格
評估
沒有muliscale: 勉強有些樣子，但圖片都是噪音。樹木剛好有五根。
加入muliscale: 你不要看不起原稿就超展開呀~~
代碼連結
參考
