Style Mixer: 语义感知的多风格转移网络
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
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
本文提出了基于流形对齐的样式转换方法(MAST),通过假设图像的特征分布符合多重流形分布的假设,可以学习到图像的语义区域与样式模式的匹配关系,通过自适应权重跳跃连接网络结构来保留内容的细节,从而实现艺术风格和真实感风格的转换。
May, 2020
本文提出一种使用无监督机器翻译方法来实现自动语言风格转换的方法,利用样式偏好信息和单词嵌入相似性来生成伪平行数据,并采用迭代回译方法来联合训练两个神经机器翻译(NMT)系统,其中引入样式分类器来控制噪声。实验表明,该方法在语言风格转换的精确度和输入输出对应质量方面优于以前的现有模型。
Aug, 2018
本篇论文提出一种新型自我监督的风格转换模型(3ST),根据社交媒体文章中的非并行实例,通过增强自我监督 NMT (SSNMT) 与 UNMT 方法,旨在有效地识别和利用监督信号,实现非并行数据的风格转换,表现良好。
May, 2022
本文提出了一种新颖的双通路神经网络,旨在解决立体图像的风格转移的问题,该方法通过特征聚合策略在两条路径之间共享信息,利用多层视图损失强制实现双视图一致性,实验表明该方法相比之前的方法表现更好。
Feb, 2018
本文研究神经风格转换中不平衡风格转移的问题,提出了一种解决方案,通过提出新的 Loss function 在理论分析和实验结果中证明其有效性,提高风格欺骗率和人类评估的偏好度。
Apr, 2021
本文提出一种基于自我关注机制的多笔画风格迁移,通过使用自我关注机制来得出内容图像的关注热力图,并在不同的尺度下对内容特征和风格特征进行多样化笔画渲染,并加入柔性的特征融合策略来提高风格迁移的效果以及生成多笔画风格的图像。
Jan, 2019
本文提出了一种新的文本样式转换模型,名为 Style MLM,它使用原型编辑方法来构建一种样式屏蔽语言模型任务,通过使用 “可解释的注意力” 来解决样式屏蔽步骤中的位置问题。我们的模型通过与强大的 TST 基线和先进的 TST 模型竞争,展示了其在内容保留环节效果的卓越性。
Oct, 2022