提出了一种 Stroke Control Multi-Artist Style Transfer 框架，为实现多艺术家风格转移设计了多条件单生成器结构和 Anisotropic Stroke Module， 并使用 Multi-Scale Projection Discriminator 实现了纹理级别的条件生成， 实验证明了该方法的可行性和有效性。

Oct, 2020

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

本文提出了一种新颖的 STTR 网络，采用视觉令牌将内容和样式映射到细粒度的特征空间，采用自注意力机制和交叉注意力机制实现微观的样式转换，在人造数据集的评估中取得了较高的效果。

Oct, 2022

通过优化注意机制和捕捉样式模式的节奏，我们引入了一种称为模式可重复性的新指标，基于它，我们提出了能够发现局部和全局样式表达的 AesPA-Net，并引入了一种新的自监督任务和补丁级样式损失来实现完美的艺术风格迁移，通过定性和定量评估验证了模式可重复性的可靠性，并展示了所提出框架的优越性。

Jul, 2023

在 DCE-MRI 中进行风格转换是一项具有挑战性的任务，由于不同组织和时间中对比度增强的大幅变化。本文提出了一种新方法，该方法结合了自编码器来解开内容和风格，并使用卷积 LSTMs 对时间中的预测潜空间进行建模，并使用自适应卷积来应对对比度增强的局部性质。通过提出一个考虑对比度增强的新度量方法来评估我们的方法，定性和定量分析表明所提出的方法在两个不同数据集上优于现有技术水平。

Oct, 2023

本文提出了一种基于区域语义的多样式迁移框架，其中引入了新的多级特征融合模块和补丁注意力模块来实现更好的语义对应和保留更丰富的样式细节，并使用区域风格融合模块将多个样式无缝地结合在一起，实现更丰富、更美观的多样式迁移结果。

Oct, 2019

本研究提供了一种可以进行实时连续笔画大小变化的笔画可控艺术风格转移网络，并通过使用自适应感受野和两种训练策略以实现更快的收敛和新增笔画大小。通过组合所提出的运行时控制策略，该网络可以实现笔画大小的连续变化，并在同一输出图像的不同空间区域中产生不同的笔画大小。

Feb, 2018

通过理论分析和实验，本研究展示了扩散模型在零样式转换的有效性和优越性，并引入了交叉注意力重排策略，使样式信息能够直接提取并无缝集成到内容图像中。

Nov, 2023

我们提出了一种新颖的方法来产生各种不同风格的图像，并保持特定的风格元素和细微差别，这种方法通过在去噪过程中，在最后的自注意力层中将查询从原始特征保留，而将关键字和值与参考特征交换，实现了视觉风格提示而无需任何微调，确保生成的图像保持忠实的风格。通过对各种风格和文本提示进行广泛评估，我们的方法表现出超越现有方法的优势，在最准确地匹配文本提示的情况下最好地反映出参考的风格，我们的项目页面在这里提供。

Feb, 2024