ICCVMar, 2019

基于小波转换的光真实主义风格迁移

PDF
TL;DR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。
style transferwavelet transformsphotorealismvgg feature spacevideo stylization
发现论文，激发创造
  • 基于特征转换的通用风格迁移

    本論文提出了一種簡單而有效的方法，使用特徵轉換技術：白化和著色，實現了通用風格轉換，以轉換任意視覺風格並生成高質量的風格圖像。

    May, 2017

  • 基于小波域的图像风格迁移对单张图像超分辨率中的感知失真权衡的有效性

    本文提出了一种基于小波域风格转移的新方法，该方法比基于 GAN 的方法达到了更好的感知质量和畸变之间的平衡，通过使用 2D 小波变换来将图像分解为低频和高频子带，并为低频子带和高频子带分别提供单独的处理，最后将两个子带重新组合以获得同时具有较高客观性和感知性质量的图像。

    Oct, 2019

  • PhotoWCT$^2$: 高频残差块级训练和跳跃连接的紧凑自编码器，用于逼真的风格迁移

    该研究提出了名为 PhotoWCT$^2$ 的紧凑型模型，使用块状训练和高频残差的跳跃连接可实现一次自编码器的最先进风格化强度，并支持更高分辨率的图像，在速度、参数等方面均优于现有模型。

    Oct, 2021

  • 深度照片风格转移

    本文提出了一种基于深度学习的摄影风格迁移方法，通过处理大量图像内容，忠实地传输参考样式。它可以成功抑制失真效果，满足各种情况下的摄影风格转移，包括时间、天气、季节和艺术编辑的转移。

    Mar, 2017

  • 通用风格转换的闭式解

    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

  • 实时通用光真实风格迁移的联合双边学习

    基于深度神经网络的较慢的最新方法限制实际分辨率，或仍包含可感知的瑕疵，我们在这里提出了一种新的端到端模型，用于光影逼真的风格转移，其快速且产生逼真的结果，与现有最先进的方法相比，我们的方法产生了视觉上更好的结果，速度提高了三个数量级，并在移动手机上实现了 4K 的实时性能。

    Apr, 2020

  • 多模态迁移：一种用于快速艺术风格迁移的分层深度卷积神经网络

    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

  • 实时本地化光真实视频风格转换

    本文提出了一种基于深度神经网络的算法，通过将图像的语义有意义的本地区域的艺术风格转移至目标视频的本地区域，同时保持其照片般的逼真性，并通过噪声和时间损失来优化视频的语义标签和平滑转换风格，最终实现一种能够自动生成视觉媒体的风格迁移方法。

    Oct, 2020

  • 实时高清风格迁移的风格感知内容损失

    该论文提出了一种基于 Style-aware Content Loss 的 Encoder-Decoder 网络，可实现实时、高分辨率的图像和视频样式化，能够更好地捕捉样式对内容的微妙影响。

    Jul, 2018

  • ReCoNet：实时相干视频风格转移网络

    本文提出了一种基于卷积神经网络的实时视频风格转移模型 ReCoNet，通过引入新的亮度变形约束和特征映射级别的时间损失，实现了既有高质量风格又能保证时间连贯性的风格迁移。实验结果表明该模型在质量和效率上均表现出色。

    Jul, 2018