Jun, 2019

任意图像风格转移的两阶段同伴规范特征重组

HTML
PDF
TL;DR本文介绍了一种基于神经风格迁移的模型，可以生成带有一定风格的高质量图片，无需预先训练的网络。该模型利用一个新的双阶段同行正则化层在潜在空间中重新组合风格和内容，构建了一个自定义图卷积层，提出了一组直接在潜在空间中操作的循环损失，从而实现了端到端的训练，并且在实验中得到了良好的效果。
发现论文，激发创造
  • 探究艺术风格的神经算法

    本文探讨了Gatys等人在文章“A Neural Algorithm of Artistic Style”中提出的样式迁移方法，进一步研究了样式空间，以及一些基于网络特征的新的样式表示，并讨论了如何实现局部和潜在的内容感知的样式迁移。

    Feb, 2016

  • 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

  • 探索实时任意神经艺术风格化网络的结构

    本文提出一种方法，将艺术风格的神经算法的灵活性与快速风格转移网络的速度相结合，利用任意内容/风格图像对进行实时样式化。通过学习直接从样式图像预测条件实例归一化参数，在多风格转移网络中使用条件实例归一化对最近工作进行了改进。该模型成功地在大约8万幅绘画作品上进行了训练，并能够推广到以前未观察到的作品。我们证明，学习到的嵌入空间是平滑的，并在整个非监督学习过程中包含了与绘画相关的丰富结构和组织语义信息。

    May, 2017

  • 基于多领域艺术图像的任意风格转移学习

    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

  • 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

  • 快速任意风格迁移的线性变换学习

    本研究提出了一种基于前向网络学习转换矩阵的任意风格转换方法，该方法高效且具有灵活组合多级风格的能力，同时保持风格转移过程中的内容亲和性，成功应用于艺术风格转换、视频和照片逼真的风格转换以及领域适应等四种任务，并与最先进的方法进行了比较。

    Aug, 2018

  • 基于图割的多模态风格转换

    本研究提出了基于多样性的风格转换技术(MST)，通过将风格图像特征聚类为次级风格组件，并采用图割公式将其与本地内容特征相匹配来明确考虑内容和风格图像的语义模式匹配，从而实现更灵活，更通用的风格转换技术。

    Apr, 2019

  • 有条件的对抗神经艺术风格转移

    本文提出了一种新的神经样式转换模型，它是基于无需相关风格图像，可用于任何内容和风格的输入形成语义准确的生成图像，规避了全模型训练的烦恼，并通过单向 GAN 模型的确保循环一致性的结构，实现了更高效的训练和验证阶段以及更小的模型尺寸。

    Feb, 2023

  • ArtFusion：使用双条件潜扩散模型进行任意风格转移

    ArtFusion提出一种新方法，使用Dual-cLDM，通过单图像在模型训练期间同时保留内容和风格，提高多样性。

    Jun, 2023

  • D2Styler：通过离散扩散方法推进任意风格迁移

    本研究解决了目前任意风格迁移技术中存在的模式崩溃和风格化过度或不足的问题。提出的D²Styler框架利用VQ-GAN的离散表示能力和离散扩散的优势，通过自适应实例归一化(AdaIN)特征为反向扩散过程提供上下文指导，从而有效地将风格特征移植到内容图像中。实验结果显示，D²Styler在图像质量上显著优于现有的多个方法，具有广泛的应用潜力。

    Aug, 2024