May, 2020

多适应网络实现任意风格转换

PDF
TL;DR本文提出了一种多适应网络，它包括两个自适应模块和一个协同适应模块。该模型使用自适应模块分离内容和风格表示，并使用一种新的解缠结损失函数来提取主要的风格模式和确切的内容结构，根据各种输入图像进行相应的调整，这样能够更好地进行样式转移。实验证明，与现有的样式转移方法相比，提出的多适应网络可获得更好的结果。
style transfermulti-adaptation networkself-adaptation modulescontent and style representationsdisentanglement loss function
发现论文，激发创造
  • 具有风格 - 关注网络的任意风格转移

    本文介绍了一种新型的样式注意力网络（SANet），它可以根据内容图像的语义空间分布有效、灵活地整合本地样式模式，并且通过新的身份损失函数和多层特征嵌入，使得该网络和解码器能够尽可能地保留内容结构，同时丰富样式模式，实验结果表明我们的算法能够实时地合成比现有算法产生更高质量的样式图像。

    Dec, 2018

  • 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

  • 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

  • 自适应实例标准化下的实时任意风格转换

    本文提出了一种简单而有效的方法，通过引入自适应实例标准化（AdaIN）层，实现了实时的任意风格迁移，其可以灵活控制权衡内容和风格、风格插值以及颜色和空间控制。

    Mar, 2017

  • 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

  • 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

  • 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

  • 可调实时风格迁移

    该论文提出了一种新方法，可以通过一组手动可调参数在训练之后实时调整关键超参数，以使用户可以修改来自相同样式 / 内容图像对的合成输出，以寻找最喜欢的风格化图像。调整这些参数与用不同超参数重新训练模型相当，还演示了如何在保持风格和内容相似的情况下随机生成多样的结果。

    Nov, 2018

  • 一个用于图像风格转换的内容变换块

    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

  • 通过多通道相关性进行任意视频风格转移

    提出了一种基于多通道校正网络（MCCNet）的视频风格迁移方法，利用输入内容特征和样本风格特征来实现有效的风格转移，保持输入视频的时间连续性。同时，在训练期间还引入了照明损失，以提高算法在复杂光照条件下的性能，定性和定量的评估结果都表明 MCCNet 在任意视频和图像风格转换任务中表现良好。

    Sep, 2020