大图像上的风格迁移。 （成块？）
Style transfer on large image. (in chunks?)
我正在研究各种风格转换模型，我注意到它们的分辨率都有限（例如，当 运行 在 Pixel 3 上时，我不能超过 1,024x1,024，否则 OOM） .
我注意到一些应用程序（例如 this app）似乎正在对高达 ~10MP 的图像进行样式转换，这些应用程序还显示进度条，我猜这意味着它们不只是为整个图像调用单个 tensorflow "run" 方法，否则他们将不知道处理了多少。
我猜他们正在使用某种平铺，但天真地将图像拆分为 256x256 会产生不一致的样式（不仅仅是在边框上）。
因为这似乎是一个明显的问题，所以我试图找到关于此的任何出版物，但我找不到任何。我错过了什么吗？
谢谢！
我猜人们将模型分成多个模型（对于 VGG 来说很容易手动完成，例如通过层），然后使用 model_summary Keras 函数（或基准）来估计它所花费的相对时间对于每个步骤，从而引导进度条。这种分离也可能节省内存，因为 tensorflow lite 可能不够聪明，无法在不需要时重用内存存储来自较低层的中间激活。
我正在研究各种风格转换模型，我注意到它们的分辨率都有限（例如，当 运行 在 Pixel 3 上时，我不能超过 1,024x1,024，否则 OOM） .
我注意到一些应用程序（例如 this app）似乎正在对高达 ~10MP 的图像进行样式转换，这些应用程序还显示进度条，我猜这意味着它们不只是为整个图像调用单个 tensorflow "run" 方法，否则他们将不知道处理了多少。
我猜他们正在使用某种平铺，但天真地将图像拆分为 256x256 会产生不一致的样式（不仅仅是在边框上）。
因为这似乎是一个明显的问题，所以我试图找到关于此的任何出版物，但我找不到任何。我错过了什么吗？
谢谢！
我猜人们将模型分成多个模型（对于 VGG 来说很容易手动完成，例如通过层），然后使用 model_summary Keras 函数（或基准）来估计它所花费的相对时间对于每个步骤，从而引导进度条。这种分离也可能节省内存，因为 tensorflow lite 可能不够聪明，无法在不需要时重用内存存储来自较低层的中间激活。