本文提出了一种新的图像风格转移算法，结合了纹理合成算法和卷积神经网络，通过保持选定区域的内容不变，同时在其他区域产生幻觉和丰富的风格，得到视觉上令人愉悦和多样化的结果，与最近的卷积神经网络风格转移算法相当竞争，且速度快、灵活性强。

Sep, 2016

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

提出一种广义的神经风格转移网络，由风格解码器、内容解码器、混合器和解码器组成，可用于多种风格的图像转移任务。

Nov, 2017

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

提出了一种全新的神经风格迁移框架，使用户能够使用文本描述而非参考图像来实现图像的风格迁移，在实验中证实了通过使用多视图扩充的补丁式文本-图像匹配Loss来实现对内容图像的样式转移，从而实现了具有语义相似性的现实纹理风格转移。

Dec, 2021

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

本文介绍了NeAT，一种新的前馈风格转移方法，将前馈风格转移重新定义为图像编辑而不是图像生成，以在保留源内容和匹配目标风格方面改进最新技术。在介绍BBST-4M数据集的同时，提出了一种新的模型，用于对图像进行风格分类，并使用该数据集将NeAT的推广和衡量提高到了另一个水平。NeAT不仅在质量和推广方面处于最新状态，而且针对高分辨率的快速推断进行了设计和训练。

Apr, 2023

基于文本引导的多模态图像风格迁移方法，使用了GAN反演技术生成与指定风格一致的风格表示，实现了在图像风格迁移任务中最先进的性能，并通过全面的定性结果验证了在多模态任务和跨模态风格插值任务中的有效性。

Dec, 2023