快速风格化的缺失成分:实例标准化
通过 Batch-Instance Normalization 技术,能够显式地将图像中不必要的样式进行规范化,从而对识别性任务的结果产生了惊人的提升,理论有效性得到了实验验证。
May, 2018
本文提出了一种简单而有效的方法,通过引入自适应实例标准化(AdaIN)层,实现了实时的任意风格迁移,其可以灵活控制权衡内容和风格、风格插值以及颜色和空间控制。
Mar, 2017
本文提出一种方法,将艺术风格的神经算法的灵活性与快速风格转移网络的速度相结合,利用任意内容 / 风格图像对进行实时样式化。通过学习直接从样式图像预测条件实例归一化参数,在多风格转移网络中使用条件实例归一化对最近工作进行了改进。该模型成功地在大约 8 万幅绘画作品上进行了训练,并能够推广到以前未观察到的作品。我们证明,学习到的嵌入空间是平滑的,并在整个非监督学习过程中包含了与绘画相关的丰富结构和组织语义信息。
May, 2017
本文提出了一种实例归一化模块代替批量归一化的生成神经网络,以及一种新的学习公式,可以从 Julesz 纹理集中无偏地采样,这两个改进使得图像风格化过程更接近于优化生成,同时保留了速度优势。
Jan, 2017
本研究提出了新的、广义的标准化模块 ——Dynamic Instance Normalization(DIN),通过组成实例标准化和动态卷积将风格图像编码成可学习的卷积参数,从而实现了灵活且更高效的任意风格转移。实验结果表明,所提出的方法在具有挑战性的风格模式上具有非常鼓舞人心的结果,并且是使用基于 MobileNet 的轻量级架构进行任意风格转移的首次,并且在计算成本方面比现有方法提供了超过 20 倍的降低因素。此外,所提出的 DIN 为最先进的卷积操作提供了灵活的支持,因此触发了新的功能,如非自然图像的均匀笔触位置和自动空间笔触控制。
Nov, 2019
本文提出了 Moment Exchange 方法,它是一种隐式数据增强方法,通过替换学习特征的矩和插值目标标签,强制模型从矩中提取训练信号来利用矩的信息,从而在多个识别基准数据集上提高高度竞争性基线网络的泛化能力。
Feb, 2020
该文介绍了一种新的深度学习算法,用于从模糊的图片中恢复出清晰的图片,该算法采用了编码器 - 解码器架构和实例归一化,通过采用预训练的 VGG 网络中的卷积层来提取特征,可显著提高图像的清晰度。
May, 2018
本文提出了一种基于深度学习的图像和谐方法,通过引入基于区域的自适应实例归一化 (RAIN) 模块,实现了前景与背景之间的视觉风格一致,并且在现有数据集上进行了大量实验验证,提出的方法具有很高的应用价值。
Jun, 2021
本研究提出了一种创新技术,通过样式一致的实例归一化和基于实例的对比学习方法来改进生成的艺术风格图片的质量,引入感知编码器来捕获样式特征,实验证明该方法生成了高质量的艺术风格图片并有效地避免了伪影。
Apr, 2024