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

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

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

该论文提出了一种新方法，可以通过一组手动可调参数在训练之后实时调整关键超参数，以使用户可以修改来自相同样式 / 内容图像对的合成输出，以寻找最喜欢的风格化图像。调整这些参数与用不同超参数重新训练模型相当，还演示了如何在保持风格和内容相似的情况下随机生成多样的结果。

Nov, 2018

该论文提出了一种名为 Master 的新型 Transformer 模型，通过共享一组参数来降低总参数数量、提高训练鲁棒性、自由控制堆叠层数来控制样式化的程度，同时在内容特征和样式特征交互前采用可学习的缩放操作来更好地保留原始相似性，以实现零样式转移和少样式转移，并采用元学习方案进行优化。

Apr, 2023

本文介绍了一种新的元学习方法 Meta Networks（MetaNet），它通过快速参数化学习跨任务的元级知识，并在新概念上进行快速泛化，同时保持了以前所学的性能表现，在 Omniglot 和 Mini-ImageNet 基准测试中，我们的 MetaNet 模型实现了接近人类水平的表现，并在准确性上优于基线方法高达 6％。我们展示了 MetaNet 的几个有吸引力的性质，如泛化和持续学习。

Mar, 2017

本文提出了一种基于 PhotoNet 和神经架构搜索的相机级画风快速迁移算法，在保持细节保留和逼真性的同时，相比当前最先进的方法可以实现 20-30 倍的加速，而无需进行预处理或后处理。

Dec, 2019

本研究提出 CoMatch Layer 和 Multi-style Generative Network (MSG-Net) 用于实现实时风格转换，并使用了上采样卷积等特殊算法，大幅提高了图像质量。此外，MSG-Net 支持内容风格插值、空间控制、笔刷大小控制等多种技术，并且是首个可以实现纯前向方式的实时笔刷大小控制的风格迁移模型。

Mar, 2017

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