图像风格迁移是将原始图像渲染合成为不同风格图像的计算机视觉技术,近年来,随着深度学习和生成对抗网络的兴起,图像风格迁移逐渐成为研究的热点。现有图像风格迁移方法仅仅学习全局图像的特征而忽视了图像中局部实例特征的重要性,此外还在多样性、迁移效率和速度方面存在限制,本文提出基于跨粒度学习的实时图像风格迁移算法改善现有方法存在的问题。为了保证风格迁移后图像中的局部实例更加真实,本文提出基于跨粒度学习的图像风格迁移算法。具体地,全局的编码器和解码器学习全局图像的风格迁移,实例的编码器和解码器学习实例图像的风格迁移,跨粒度学习通过跨粒度一致损失学习全局图像和实例图像特征之间的关系从而使模型同时受益于粗粒度和细粒度的学习过程,通过联合训练融入实例信息提升图像风格迁移质量。此外本文将风格标签和随机风格特征融入训练过程,从而提升风格迁移的效率和多样性。为了降低本文图像风格迁移模型的复杂度和推理时间,本文提出面向实时图像风格迁移模型的轻量化算法,由于本文模型特殊的训练机制和生成器结构,无法直接应用现有的CNN轻量化方法,本文首先通过基于残差特征匹配的知识蒸馏算法将预训练原始模型的知识迁移至小模型,然后使用基于Super机制的解码器自动地对网络进行通道裁剪降低训练的成本,最后通过神经结构搜索将模型的训练和搜索分离自动地寻找最优的网络结构,仅需一次训练可得到轻量模型。本文通过大量对比实验评估了基于跨粒度学习的图像风格迁移模型和轻量化模型的有效性,两个数据集上的实验结果表明本文算法性能更优。