CVPRNov, 2016

神经风格转换中的感知因素控制

PDF
TL;DR本研究拓展了传统的神经风格迁移方法，引入了对空间位置、颜色信息和空间尺度的控制，从而增强了方法的适用性并允许了高分辨率的控制风格化。通过分解风格因素，我们实现了来自多个源的风格信息的组合，这可以用于生成新的感性吸引力样式。最后，我们展示了我们所提出的控制措施如何应用于快速神经风格迁移方法。
发现论文，激发创造
  • 区域控制的风格转换

    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

  • 用深度强化学习控制神经风格迁移

    基于深度强化学习，我们提出了一种用于神经风格迁移任务的基于步骤的模型，能够控制风格化程度，同时在早期步骤中保留更多内容图像的细节和结构，在后期步骤中合成更多风格图案，具有较低计算复杂度。实验结果表明了我们方法的有效性和鲁棒性。

    Sep, 2023

  • 提升艺术风格神经算法

    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

  • 自适应感受野的可控笔画快速风格迁移

    本研究提供了一种可以进行实时连续笔画大小变化的笔画可控艺术风格转移网络，并通过使用自适应感受野和两种训练策略以实现更快的收敛和新增笔画大小。通过组合所提出的运行时控制策略，该网络可以实现笔画大小的连续变化，并在同一输出图像的不同空间区域中产生不同的笔画大小。

    Feb, 2018

  • 多模态迁移：一种用于快速艺术风格迁移的分层深度卷积神经网络

    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

  • 地区风格和颜色转移

    该论文提出了一种新颖的区域风格转换方法，通过利用分割网络精确地分离输入图像中的前景对象，并将风格转换应用于背景区域，再将分离的前景对象与转换后的背景巧妙地合并，使用颜色转换和羽化技术增强前景和背景之间的视觉一致性，从而实现了更自然的风格转换。

    Apr, 2024

  • ARF-Plus：控制 3D 场景风格化中的知觉因素

    ARF-Plus 是一种 3D 神经风格转换框架，通过四个不同类型的控制，即颜色保持、比例、空间和深度增强控制，成功实现了对感知因素的可控性，从而实现了在 3D 场景风格化过程中的自定义修改、灵活融合和创建新颖而引人注目的风格效果。

    Aug, 2023

  • 使用直方图损失实现稳定可控的神经纹理合成和风格迁移

    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

  • 神经立体图像风格迁移

    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

  • 神经艺术风格迁移中颜色保留

    本文提出一种基于神经网络的艺术风格迁移算法的扩展，实现了在保留颜色的前提下，将一张图像的风格转移到另一张图像上。

    Jun, 2016