基于纹理合成的风格迁移
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
本文提出了一种基于卷积神经网络的多尺度合成管道,采用直方图损失来综合纹理,改善以前方法中的不稳定性,同时通过集成局部样式损失来提高特征的质量,改善内容和样式的分离,并提供艺术控制,进而获得更高质量、更快收敛和更好的稳定性。
Jan, 2017
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
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
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
该论文主要研究了利用内容转换模块和归一化层实现以样式为导向的图像风格转移,并且能够实现高分辨率图像合成和实时视频风格化,通过定量和定性的实验验证了该方法的有效性。
Mar, 2020
通过将风格转移任务分解为风格、空间结构和语义内容三个核心元素,本研究提出了 InstantStyle-Plus,一种注重原始内容完整性同时无缝整合目标风格的方法。通过有效的、轻量级的风格注入过程,并利用先进的 InstantStyle 框架,实现风格注入。为了增强内容保护,我们使用倒置的内容潜噪声和多功能的接插件式 ControlNet 来保持原始图像的内在布局。此外,还引入了全局语义适配器以增强语义内容的保真度,并使用风格提取器作为鉴别器提供辅助风格引导。
Jun, 2024
本文提出了一种新概念,即通过手动制作像素标签或使用现有解决方案进行语义分割,将生成式架构与语义注释相结合,从而增强生成算法的内容感知性,提高生成的图像质量,避免常见的故障,并扩展这些算法的功能范围。
Mar, 2016
我们提出了一种图像风格转化的训练方法,通过使用损失函数来约束不同区域的风格强度,并引入了一种特征融合方法,通过线性转换内容特征来保持其语义关系,该方法在大量实验证明了其有效性。
Oct, 2023
本文提出了一种新颖的双通路神经网络,旨在解决立体图像的风格转移的问题,该方法通过特征聚合策略在两条路径之间共享信息,利用多层视图损失强制实现双视图一致性,实验表明该方法相比之前的方法表现更好。
Feb, 2018