如果性能遇到了瓶颈，“老套”的办法总能帮我们搞定一些事情 — David 9
自深度卷积网络 广泛应用以来，我们更像进入了一个“伪智能”时代。深度网络的“创造”更多的是基于“巨量数据”的“创造”。以图片风格转换为例，无论是我们以前说的GAN还是其他变形CNN，都需要标注样本达到一定量，才能生成比较好的风格转换图（附带着冗长的训练时间 和其他模型调优技巧）：
而英伟达前不久放出的CVPR新论文，一定程度上证明了在这个“伪智能”时代，只用深度网络是不够的，往往加入一些“老套”的算法可以帮你得到一些“漂亮”的结果：
上图是给定一张原始图片（a）和一张“黑夜”风格图片（b），我们希望把（a）的风格转换成（b）的结果。
可见（c）与（d）的结果都没有英伟达声称的方法（e）看起来自然。
而英伟达这篇论文的一大半贡献不在深度网络，
而是如何把传统的WCT（白化和调色转换：whitening and coloring transforms）应用到深度网络中，以及图片平滑的后处理工作。
整体框架如下：
来自：https://arxiv.org/pdf/1802.06474.pdf 继续阅读“图片风格转换”又出新作，英伟达CVPR论文：高效图片风格转换与解析闭合解
