该研究提出了一种创建三维内容、进行几何和贴图风格变化的方法,借助预先训练的图像样式转换网络和自己的几何样式网络,可实现数据增强与单图像 3D 重构任务。
Aug, 2021
本文介绍了一个用于一次性 3D 肖像样式转移的框架,可以在仅需要一幅不同样式图像的情况下,生成具有几何和纹理风格的 3D 面部模型,而不是一整套相关样例。本文探索了两个阶段,以利用三位面部关键点转换来捕捉粗略的几何样式,并利用差分渲染器,在多视角框架下 对规范纹理进行样式转移。实验表明,我们的方法在不同的艺术风格上取得了稳健的结果,并优于现有的方法。
Apr, 2021
通过使用深度图提取风格指南,然后应用于放射场的几何样式化,本文介绍了一种名为几何传递的新方法,旨在通过几何变形实现三维样式传递,从而增强美学表现力并更准确地反映预期的风格。大量实验证明,几何传递能够实现更广泛、更富有表现力的风格化范围,从而显著扩展了三维样式传递的范畴。
Feb, 2024
该研究提出了一种新的基于领域感知的样式迁移网络(DSTN),旨在通过捕捉参考图像的领域性质来传递样式。实验结果表明,该模型在艺术和照片逼真的渲染中均比先前的方法表现更好。
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
本研究提出了一种基于分离内容和风格表示的基于学习的方法,用于在 3D 对象之间进行风格转移,可以合成以目标 3D 模型为风格,来源 3D 模型为内容的新 3D 形状,同时我们还将其扩展到了多样式分布的隐式学习。实验结果证实了该方法在多个基准测试中的有效性。
Nov, 2020
本研究提出使用领域特定映射来重新映射共享内容空间中的潜在特征到特定内容空间,以提高图像的编码质量和风格传递的效果。实验证明,与以往的图像风格转换方法相比,所提出的方法在需要图像间语义对应的复杂场景中表现得更好。
Aug, 2020
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
本研究介绍了一种新的基于转换器(transformer-based)方法和边缘损失(edge loss)的图像风格转换方法 STT,可以在保持较好的风格特征同时提升内容细节,避免产生过度渲染的模糊结果,并解决常见的内容泄漏问题。实验结果表明,STT 在图像风格转换方面具有与最先进的方法相当的性能。
Jan, 2023
本研究基于场景重建的网格应用风格转移技术,让用户能够在虚拟现实中欣赏以喜欢的艺术家绘画风格来呈现的三维环境。研究通过对场景网格的纹理进行优化并从所有可用的输入图像上共同进行风格化,实现了一致性和稳定性风格化表现。
Dec, 2021