ICCVJun, 2019

通用风格转换的闭式解

PDF
TL;DR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。
style transfervgg networkfeature transformoptimal transport problemoptimal style transfer
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

  • 基于小波转换的光真实主义风格迁移

    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。

    Mar, 2019

  • StyTr$^2$: 使用 Transformer 进行图像风格转移

    提出了一种基于 transformer 的 StyTr$^2$ 方法，用于实现图像风格转移的长程依赖，介绍了一种适用于该任务的内容感知的位置编码（CAPE），并通过定量实验表明其效果优于现有的基于 CNN 和流计算的方法。

    May, 2021

  • 一个用于图像风格转换的内容变换块

    该论文主要研究了利用内容转换模块和归一化层实现以样式为导向的图像风格转移，并且能够实现高分辨率图像合成和实时视频风格化，通过定量和定性的实验验证了该方法的有效性。

    Mar, 2020

  • 任意风格的快速基于块的风格转移

    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

  • Wasserstein 风格转移

    在编码器 / 解码器框架下，我们提出了用于图像风格迁移的高斯最优输运方法。通过高斯测量的最优输运，可以从源分布到目标分布闭合形成 Monge 映射。此外，风格与内容图像的插值可以被视为 Wasserstein 几何中的测地线。使用这样的洞察力，我们展示了如何使用高斯测度的 Wasserstein barycenter 来混合不同的目标样式。我们的简单方法允许插入许多艺术风格之间的新样式化内容的生成。

    May, 2019

  • 超分辨率通用风格转换的协同蒸馏

    本文提出了一种名为协作蒸馏的知识蒸馏方法，通过编码器 - 解码器神经网络实现通用的风格迁移，并在不损失性能的情况下将卷积滤波器个数大幅降低。

    Mar, 2020

  • 区域控制的风格转换

    我们提出了一种图像风格转化的训练方法，通过使用损失函数来约束不同区域的风格强度，并引入了一种特征融合方法，通过线性转换内容特征来保持其语义关系，该方法在大量实验证明了其有效性。

    Oct, 2023

  • 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

  • 通过对比学习增强领域任意图像风格转移

    本文提出一种使用深度对比学习的方法，通过学习图像特征来获得图像的样式表示，并使用生成网络进行样式转移。研究表明，相对于现有的基于二阶统计量的方法，这种方法能够更加有效地获取图像的样式信息并生成更好的结果。

    May, 2022