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

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

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

用现代人工智能技术进行数字艺术的新方法是通过神经网络的表现力在图像、视频和 3D 数据中进行样式转换，本文探讨了神经样式化在 3D 数据方面的最新进展，包括场景表示、指导数据、优化策略和输出样式等多个重要设计选择，并通过对 2D 图像神经样式化的背景进行回顾，详细讨论了近期的 3D 数据神经样式化方法，并提供了一个艺术样式化方法的小型基准测试，最后根据调研结果讨论了神经样式化的挑战、未来研究和潜在应用和影响。

Nov, 2023

本文提出了一种基于单张画作的有学习能力的文字描述的艺术风格逆推算法（InST），能够高效地捕捉并转移绘画作品的艺术风格，且经过在多个艺术家和艺术风格的多幅画作上测试验证了其质量和效率。

Nov, 2022

通过使用深度神经网络对任意图像的内容和风格进行分离和重组，我们引入了一种人工系统，为艺术形象的创作提供了神经算法，并且在视觉感知的其他关键领域中的近乎人类性能展示了深度神经网络模型的类生物启发式视觉模型的特定任务的卓越表现的显着相似之处，为人类创作和感知艺术意象的算法理解提供了一条前进的路径。

Aug, 2015

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

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

本文介绍了神经邻域风格迁移（NNST）方法，通过替换从风格示例图像中提取的神经特征，以及基于这些重新排列的特征合成最终输出，从而显著提高了最终视觉质量。

Mar, 2022