Avatar-Net: 特征修饰的多尺度零样式转移
本文提出了一种多适应网络,它包括两个自适应模块和一个协同适应模块。该模型使用自适应模块分离内容和风格表示,并使用一种新的解缠结损失函数来提取主要的风格模式和确切的内容结构,根据各种输入图像进行相应的调整,这样能够更好地进行样式转移。实验证明,与现有的样式转移方法相比,提出的多适应网络可获得更好的结果。
May, 2020
通过元学习方法,将基于大量样本的前馈网络方法和个性化优化方法结合的 AlteredAvatar 方法,实现基于文本描述的新颖样式快速应用于动态 3D 头像的快速样式化。
May, 2023
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
我们提出了一个快速前馈网络,使用深度特征和纹理统计来表示内容和风格,并使用对抗网络来规范画风生成,包括条件生成器和条件鉴别器,并使用遮罩模块来空间控制风格化级别和稳定对抗训练,在定性和定量实验中与相关工作进行比较。
May, 2018
本文介绍了一种新型的样式注意力网络(SANet),它可以根据内容图像的语义空间分布有效、灵活地整合本地样式模式,并且通过新的身份损失函数和多层特征嵌入,使得该网络和解码器能够尽可能地保留内容结构,同时丰富样式模式,实验结果表明我们的算法能够实时地合成比现有算法产生更高质量的样式图像。
Dec, 2018
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
本文提出了一种基于 ArtNet 的,在风格转移应用特别设计的零通道修剪算法以及一种理论上有根据的三明治交换变换(S2)模块,可以实现高分辨率图像上的通用,实时和高质量的风格转移。经全面实验验证,ArtNet 能够同时实现 68.03 FPS 的通用,实时,高质量的 512 x 512 图像的风格转移,较先前最先进的方法速度提高 2.3 到 107.4 倍。
Jun, 2020
提出了一种新的神经网络结构来解决单张图像类比的问题,我们的网络是一个修改后的变分自编码器(VAE),支持有监督的训练和结构相似性目标的输出评估,通过对于 62 个字体从单个样例字母的生成展示出比现有技术更优异的结果。
Mar, 2016
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