本文旨在提高图像风格迁移的实现效果，通过将卷积神经网络中的样式解释为分布，利用机器学习中的 Central Moment Discrepancy（CMD）方法来更精确地匹配目标样式和输出图像的特征分布，从而更加准确地还原所期望的风格，并改善样式与语义图像内容的区分效果。

Mar, 2021

本研究提出了基于多样性的风格转换技术 (MST)，通过将风格图像特征聚类为次级风格组件，并采用图割公式将其与本地内容特征相匹配来明确考虑内容和风格图像的语义模式匹配，从而实现更灵活，更通用的风格转换技术。

Apr, 2019

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

本文提出一种使用深度对比学习的方法，通过学习图像特征来获得图像的样式表示，并使用生成网络进行样式转移。研究表明，相对于现有的基于二阶统计量的方法，这种方法能够更加有效地获取图像的样式信息并生成更好的结果。

May, 2022

本研究提出了一种基于前向网络学习转换矩阵的任意风格转换方法，该方法高效且具有灵活组合多级风格的能力，同时保持风格转移过程中的内容亲和性，成功应用于艺术风格转换、视频和照片逼真的风格转换以及领域适应等四种任务，并与最先进的方法进行了比较。

Aug, 2018

本文提出了基于流形对齐的样式转换方法（MAST），通过假设图像的特征分布符合多重流形分布的假设，可以学习到图像的语义区域与样式模式的匹配关系，通过自适应权重跳跃连接网络结构来保留内容的细节，从而实现艺术风格和真实感风格的转换。

May, 2020

我们提出了 MetaStyle 方法，将神经风格迁移公式化为双层优化问题，并结合学习和后处理更新步骤，使其适应快速逼近模型，从而实现高质量的任意艺术风格转移，并在速度，灵活性和质量之间取得了良好的平衡。

Dec, 2018

本文提出了一种半参数神经风格迁移框架，使用图神经网络和基于注意力的异构消息传递来建立准确和细粒度的内容风格对应关系，在局部补偿全局统计特征的同时消除了补丁拟合不足带来的瑕疵，并引入了变形图卷积操作进行跨尺度风格匹配，实现了单一模型多样化补丁风格化。实验结果表明，该方法在保留全局外观和精致细节方面取得了令人鼓舞的效果。

Jul, 2022

本文提出一种使用无监督机器翻译方法来实现自动语言风格转换的方法，利用样式偏好信息和单词嵌入相似性来生成伪平行数据，并采用迭代回译方法来联合训练两个神经机器翻译（NMT）系统，其中引入样式分类器来控制噪声。实验表明，该方法在语言风格转换的精确度和输入输出对应质量方面优于以前的现有模型。

Aug, 2018

本文研究实时视频风格转移，提出一种基于循环卷积神经网络的方法，利用 Gram 矩阵的特征分析实现时间一致性和稳定性的控制，不需要测试期间的光流计算并能在任意分辨率下产生高质量、时间一致的视频效果。

May, 2017