May, 2020

面流形对齐用于语义对准风格迁移

PDF
TL;DR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。
style transfermulti-manifold distributionsemantic regionmanifold alignment based style transferadaptive weight skip connection network
发现论文，激发创造
  • 半监督多模态遥感图像流形对齐

    本文提出了一种半监督流形对齐方法，可以处理不同模式 (或领域) 的遥感图像，涉及多时间序列、多源、多传感器和多角度图像。该方法直接在图像的流形空间上进行对齐，并能够处理分辨率不同的图像。 在多角度、多时间序列和多源图像分类问题上，该方法表现出很好的性能和准确性。

    Apr, 2021

  • Style Mixer: 语义感知的多风格转移网络

    本文提出了一种基于区域语义的多样式迁移框架，其中引入了新的多级特征融合模块和补丁注意力模块来实现更好的语义对应和保留更丰富的样式细节，并使用区域风格融合模块将多个样式无缝地结合在一起，实现更丰富、更美观的多样式迁移结果。

    Oct, 2019

  • 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

  • ManiFest: 少样本图像转换的流形变形

    ManiFest 是一个针对 Few-shot 图像翻译的框架，利用少量图像学习目标域的上下文感知表示，并学习源域和代理锚定域之间的样式流形以强制实现特征一致性，该学习的流形通过基于图像块的对抗和特征统计对齐损失插值并向 Few-shot 目标领域畸变。该方法在多项任务中证明了其有效性，优于现有技术，并提供了代码。

    Nov, 2021

  • 实时本地化光真实视频风格转换

    本文提出了一种基于深度神经网络的算法，通过将图像的语义有意义的本地区域的艺术风格转移至目标视频的本地区域，同时保持其照片般的逼真性，并通过噪声和时间损失来优化视频的语义标签和平滑转换风格，最终实现一种能够自动生成视觉媒体的风格迁移方法。

    Oct, 2020

  • 核流形对齐

    介绍了一种名为 KEMA 的核方法用于流形对齐和领域调适，具有多种有趣的属性，且在合成例子、物体识别和人脸表情识别任务中表现出了良好的性能。

    Apr, 2015

  • 学习图神经网络用于图像风格转移

    本文提出了一种半参数神经风格迁移框架，使用图神经网络和基于注意力的异构消息传递来建立准确和细粒度的内容风格对应关系，在局部补偿全局统计特征的同时消除了补丁拟合不足带来的瑕疵，并引入了变形图卷积操作进行跨尺度风格匹配，实现了单一模型多样化补丁风格化。实验结果表明，该方法在保留全局外观和精致细节方面取得了令人鼓舞的效果。

    Jul, 2022

  • 可学习流形对齐（LeMA）：一种半监督跨模态学习框架用于土地覆盖和土地利用分类

    本文提出了一种称为可学习流形对齐（LeMA）的新型半监督交叉模态学习框架，通过学习一种联合图结构来捕获数据分布，从而实现更准确的决策边界，以解决遥感图像分类中使用大量谱变化模糊的多光谱数据所带来的挑战。

    Jan, 2019

  • 神经风格转移的探秘

    本文提出了一个新的神经风格转移的解释，即将其视为一个域自适应问题，理论上证明匹配特征图 Gram 矩阵相当于用二次多项式内核最小化最大平均偏差（MMD），实验结果表明，通过多种不同的分布对齐方法，我们可以实现理想的结果。我们认为这种新的解释连接了这两个重要的研究领域，可以启发未来的研究。

    Jan, 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