研究如何通过多种方法改进神经艺术风格算法的表现,特别是针对一些换风格难以处理的更复杂的前景和背景等内容,在实验中显示方法能有效提高风格转换的质量。
May, 2016
本文探讨了 Gatys 等人在文章 “A Neural Algorithm of Artistic Style” 中提出的样式迁移方法,进一步研究了样式空间,以及一些基于网络特征的新的样式表示,并讨论了如何实现局部和潜在的内容感知的样式迁移。
Feb, 2016
本文提出了两种计算机视觉算法对图像和视频进行风格迁移,第一种是根据 Gatys 算法进行能量最小化的图像风格转移技术,针对图像中的规模和遮挡等问题提出了改进,第二种是将视频风格迁移建模为一个学习问题,使用深度学习网络和新的训练程序使其在几乎实时的情况下实现任意长度的视频稳定风格转移,最后还介绍了如何将这些方法应用于 360 度图像和视频。
Aug, 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
使用类似于艺术风格转移的方法,从随机噪声输入信号开始迭代地使用反向传播来优化声音以符合感兴趣的预训练神经架构的筛选器输出,实现了新声音的创造,展示了两种不同的任务,达到了带宽扩展 / 压缩和从歌声到乐器的音色转移。该方法的特点是,使用相同的参数集合,单个架构可以生成这些不同的音频风格转移类型,而不需要不同的复杂手动调整的信号处理管道
Jan, 2018
本文提出了一种基于深度学习的摄影风格迁移方法,通过处理大量图像内容,忠实地传输参考样式。它可以成功抑制失真效果,满足各种情况下的摄影风格转移,包括时间、天气、季节和艺术编辑的转移。
Mar, 2017
本文提出了一种基于局部匹配和卷积神经网络的简单优化目标,该目标可以在保持效率的同时,产生艺术风格迁移的高品质结果。同时,本文结合内容结构和风格纹理,利用预训练网络的单层来实现该目标,并且使用 80,000 张自然图像和 80,000 张绘画进行反向优化网络的训练,这使得整个算法支持任意图像进行迁移。
Dec, 2016
本文提出了一种神经预置技术,即基于 DNCM 和二阶段管道的自我监督策略,解决了基于颜色风格转换技术的局限性,包括视觉伪影、大量内存需求和风格转换速度缓慢等问题,并在多个领域取得了优异的表现。
Mar, 2023
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