神经风格迁移的评估方法和指标存在着不一致性和局限性，为了促进方法之间更有意义、更公平的比较，以及对研究结果的理解和解释的提升，我们提供了对现有评估技术的深入分析，并提出了标准化评估实践的建议。

Jan, 2024

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

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

将深度感知的神经风格迁移嵌入到三维渲染管线中作为游戏后期处理特效，通过定性和定量实验验证了提出的游戏内风格化框架在艺术风格化游戏场景中实现了时序一致的结果，优于最先进的图像和视频神经风格迁移方法。

Nov, 2023

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

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

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

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