基于特征转换的通用风格迁移
通过将其视为最优输运问题(Optimal Transport Problem),我们提出了一种新颖的样式转移解释方法,并证明了与 AdaIN 和 WCT 之类的旧方法的关系,并在考虑了 Gatys 的内容损失后得出了闭合形式的最优样式转移(OST)解决方案。
Jun, 2019
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
该论文提出了一种针对图像翻译的端对端方法,通过创新的正则化方法有效地逼近样本的风格转换,缩短了运算时间复杂度和误差率,进一步扩展了方法的适用范围,实验证明该方法在训练和推断时速度快,且高效地反映了样本的风格。
Dec, 2018
该论文主要研究了利用内容转换模块和归一化层实现以样式为导向的图像风格转移,并且能够实现高分辨率图像合成和实时视频风格化,通过定量和定性的实验验证了该方法的有效性。
Mar, 2020
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
本文介绍一种利用大量照片集合无监督学习给定输入的风格排名并选择一种多样性匹配的样式进行风格迁移,并提出一种新技术将选择的示例的全局色彩和色调转移到输入照片而避免产生常见的视觉伪影的技术。我们的风格选择和转移技术在广泛的输入摄影中产生引人入胜,无超出显示器的结果,并且用户研究表明我们的结果优于其他技术。
Nov, 2015
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
本篇文章提出了一种基于小波变换和白化和彩色变换(WCT$^2$)的样式转换方法,该方法引入了一种理论上正确的修正网络架构,其可能性大大增强了感性质地和两种样式之间的转化,同时保持了结构信息和 VGG 特征空间的统计属性;此外,被提出的模型可以在 4.7 秒内完成 $1024 imes1024$ 分辨率图像的样式转换,且无需后期处理,具有稳定的视频样式转换。
Mar, 2019
该研究提出了一种新的基于领域感知的样式迁移网络(DSTN),旨在通过捕捉参考图像的领域性质来传递样式。实验结果表明,该模型在艺术和照片逼真的渲染中均比先前的方法表现更好。
Aug, 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