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

Jan, 2017

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

Stable and Controllable Neural Texture Synthesis and Style Transfer Using Histogram Losses

Eric Risser, Pierre Wilmot, Connelly Barnes

TL;DR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。

Abstract

Recently, methods have been proposed that perform texture synthesis and style transfer by using convolutional neural networks (e.g. Gatys et al. [2015,2016]). These methods are exciting because they can in some c

convolutional neural networks texture synthesis style transfer histogram losses localized style losses

发现论文，激发创造

改进纹理网络：在前馈风格化和纹理合成中最大化质量和多样性

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

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

纹理网络：纹理和风格化图像的前馈合成

本文提出一种利用深度学习的方式，通过在训练阶段来移动计算负担，使用单个纹理样本训练紧凑的前馈卷积网络，可以生成任意大小的同一纹理的多个样本，并将艺术风格从给定图像传输到任何其他图像中，生成的网络轻巧，并且可以比 Gatys 等人的方法快数百倍。

Mar, 2016

基于纹理合成的风格迁移

本文提出了一种新的图像风格转移算法，结合了纹理合成算法和卷积神经网络，通过保持选定区域的内容不变，同时在其他区域产生幻觉和丰富的风格，得到视觉上令人愉悦和多样化的结果，与最近的卷积神经网络风格转移算法相当竞争，且速度快、灵活性强。

Sep, 2016

神经风格转移稳定性的表征与改进

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

任意风格的快速基于块的风格转移

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

实时高清风格迁移的风格感知内容损失

该论文提出了一种基于 Style-aware Content Loss 的 Encoder-Decoder 网络，可实现实时、高分辨率的图像和视频样式化，能够更好地捕捉样式对内容的微妙影响。

Jul, 2018

拉普拉斯引导的神经风格迁移

本研究提出了一种基于 Laplacian loss 的神经风格转移方法，通过优化目标图像中 Laplacians 的差异使得图像更好地保留内容图像的细节结构并消除矛盾和不好的图像效果。

Jul, 2017

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

利用神经风格迁移设计服装

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