该论文综述了一种使用卷积神经网络（CNN）进行风格转换的新技术，通过利用 CNN 学习的深层图像表征，实现了分离和操作图像内容和风格的能力，从而合成了以和谐方式结合内容和风格的高质量图像。

Oct, 2023

通过生成对抗网络（GAN）或变压器模型进行文本到图像生成。提出了一种方法，利用人工智能模型进行主题创造，并对实际绘画过程进行分类建模。通过将所有视觉元素转化为可量化的数据结构来创建图像，并与现有的图像生成算法进行语义准确性、图像可复现性和计算效率方面的有效性评估。

Dec, 2023

提出了一种多模态卷积神经网络的方案，本方案可以在多个尺度上处理风格和纹理提示，从而将艺术风格转移应用到常规照片上，平均效率也高于当前市场上其他方法。

Nov, 2016

本文探讨了深度学习在图像分析和分类方面的弱点，提出利用基于神经风格转换的数据增强方法以提高数据集的泛化能力，并通过应用于皮肤病分类案例验证了其潜力。

May, 2019

提出了一种利用神经风格迁移算法个性化生成新的服装设计的方法，该方法基于用户偏好并从其衣柜的有限衣服集中学习用户的时尚选择。通过分析生成的衣服图像及其与用户时尚风格的吻合程度来验证该方法的效果。

Jul, 2017

本文概述了当前神经风格转移研究的进展，提供了当前算法的分类方法及几种评估方法，对不同 NST 算法进行了定性和定量比较，最后讨论了 NST 的多种应用和未来研究的开放问题。

May, 2017

本文提出了一种新的神经样式转换模型，它是基于无需相关风格图像，可用于任何内容和风格的输入形成语义准确的生成图像，规避了全模型训练的烦恼，并通过单向 GAN 模型的确保循环一致性的结构，实现了更高效的训练和验证阶段以及更小的模型尺寸。

Feb, 2023

本文介绍了一种基于预训练的 CLIP 文本 - 图像嵌入模型和 FCN 语义分割网络的图像风格转移框架，其中 Generative Artisan 解决了 CLIPstyler 的失败情况，并在肖像和包含人物的实景中获得了比 CLIPstyler 更好的定量和定性结果， 使得商业场景如修图图形软件成为可能。

Jul, 2022

本文介绍了一种基于生成对抗网络的数据增强方法，可以有效地解决卷积神经网络在训练和测试数据之间存在领域差异时性能显著降低的问题。实验结果表明，该方法在领域自适应上表现出优异的性能。

Feb, 2020

通过语义感知的计算机视觉技术，将艺术作品转化为照片般写实的图像，降低了艺术数据与真实数据的视觉差距，并取得了分类、检测和分割任务的表现优化。

Nov, 2018