CVPRSep, 2019

通过深度特征扰动实现多样化的任意风格转移

PDF
TL;DR本文提出一种基于 deep feature perturbation（DFP）操作的通用图像风格迁移方法，可以在保持风格信息不变的情况下集成到 Whitening and Coloring Transform（WCT）算法中，并能够生成多样化的结果。实验证明，该方法可以大大增加图像风格多样性而保持风格化质量，且不需要学习。
发现论文，激发创造
  • 利用深度特征重排进行任意风格转移

    本文提出了一种新颖的神经风格迁移方法，该方法通过重新调整风格图像的深层特征 (即，置换特征映射的空间位置) 来减少样式图像上的失真，同时能够允许语义级别的转移。同时，基于提出的损失，文中还提出了一种渐进式特征域优化方法。实验表明，该方法适用于各种风格的图像，并产生比现有方法更好的效果。

    May, 2018

  • 提高恶意示例的可转移性：任意风格转移

    通过使用不同域中的数据增强，我们提出了一种名为 Style Transfer Method（STM）的新的攻击方法，利用提出的任意风格转换网络将图像转换为不同的域，从而显著提高了对抗性可转移性。

    Aug, 2023

  • 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

  • StyLess: 提升对抗样本的可迁移性

    本研究提出一种称为 StyLess 的对抗攻击方法，通过使用包含不同风格特征的样式化网络，以及利用自适应实例标准化来编码不同的风格特征，从而生成具有可转移性的扰动，以此提高对抗样本的攻击传递能力，并在与其他攻击技术结合时优于现有的攻击方法。

    Apr, 2023

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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