本研究提出了一种计算机视觉系统的方法,用于无需有标签的数据来识别艺术图像中的物体,通过域适应和样式转移等技术来实现,无需大量的目标数据即可进行跨域对象识别及场景分类。
Dec, 2018
利用深度学习技术,本研究通过 8 种不同的深度网络架构在两个不同的艺术数据集上进行对比实验,并引入一种通过多个模型提取和识别输入的不同特征的可变方法,创造了与现有工作相比更一致的模型,在最大艺术数据集上达到了最新的精确度(WikiArt - 68.55%),同时讨论了数据和艺术风格本身对模型性能的影响。
May, 2024
通过构建一个单一、可扩展的深度网络,可以简洁地捕捉多种不同画作的艺术风格,通过将绘画降维成嵌入空间中的点,该模型具有泛化艺术风格的能力,并允许用户任意结合从单个画作中学习的风格,为建立绘画的丰富模型提供了有用的步骤,以及展示了艺术风格的学习表示结构。
Oct, 2016
本文提出了一种针对多风格图像字幕生成的样式感知对比学习的方法,该方法基于对潜在与风格相关的视觉内容的对比学习,提出了一个样式感知的视觉编码器以及三种检索方案。实验结果表明,该方法的性能达到了最先进水平。
Jan, 2023
提出了一种基于概率多语言主题模型的无监督方法来发现一组潜在的风格因子,进而通过混合这些因子来对时尚图片进行风格总结,并无需任何风格标签,从而可以根据风格来组织衣服图库。
Jul, 2017
研究了卷积神经网络在艺术风格分类任务中的应用,并通过与艺术史概念的相关性分析评估了其学习表征。学习表征显示艺术风格的视觉变化可以由少数基本因素解释,这些因素与 Heinrich Wölfflin 提出的风格模式相关,并且网络能在没有关于时间和历史背景等信息下,将艺术品放在一个平滑的时间数组里。
Jan, 2018
通过对 12 个不同美学评分数据集的比较,本文发现不同数据集中的美学评分可预测性存在显著差异,并发现照片和绘画的美学评价具有一致性,但这些差异也在一定程度上对单一数据集的研究结果具有普适性的假设提出了质疑。
Jul, 2023
本文基于深度学习模型,提出了一个新的深度学习框架进行图像合成,该框架利用了最新的深度风格迁移模型和生成对抗网络,以修改特定高层次属性的方式改变图像样式,该方法在增加图像记忆和生成恐怖图片使用集中体现出其优越性。
本研究基于大规模照片数据集,运用深度学习训练分类器和风格聚类方法,分析全球时尚趋势及时空变化规律。
Jun, 2017
本文综述了近期计算机视觉技术在图像美感质量评估中的应用,详细介绍了基于手工特征和深度特征的不同方法以及评估标准,并探讨了新兴的深度学习技术在美学评分中的应用以及利用计算方法操纵图像美感的可能性。