本文提出了一种基于 PhotoNet 和神经架构搜索的相机级画风快速迁移算法，在保持细节保留和逼真性的同时，相比当前最先进的方法可以实现 20-30 倍的加速，而无需进行预处理或后处理。

Dec, 2019

本文提出了一个有效的 Avatar-Net 模型，通过 semantically aligned style features 和 multi-scale style abstractions 两种方法，实现了任意风格的实时多尺度图像样式迁移。

May, 2018

基于深度神经网络的较慢的最新方法限制实际分辨率，或仍包含可感知的瑕疵，我们在这里提出了一种新的端到端模型，用于光影逼真的风格转移，其快速且产生逼真的结果，与现有最先进的方法相比，我们的方法产生了视觉上更好的结果，速度提高了三个数量级，并在移动手机上实现了 4K 的实时性能。

Apr, 2020

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

本文提出一种方法，将艺术风格的神经算法的灵活性与快速风格转移网络的速度相结合，利用任意内容 / 风格图像对进行实时样式化。通过学习直接从样式图像预测条件实例归一化参数，在多风格转移网络中使用条件实例归一化对最近工作进行了改进。该模型成功地在大约 8 万幅绘画作品上进行了训练，并能够推广到以前未观察到的作品。我们证明，学习到的嵌入空间是平滑的，并在整个非监督学习过程中包含了与绘画相关的丰富结构和组织语义信息。

May, 2017

通过理论分析和实验，本研究展示了扩散模型在零样式转换的有效性和优越性，并引入了交叉注意力重排策略，使样式信息能够直接提取并无缝集成到内容图像中。

Nov, 2023

提出了一种新的神经网络结构来解决单张图像类比的问题，我们的网络是一个修改后的变分自编码器（VAE），支持有监督的训练和结构相似性目标的输出评估，通过对于 62 个字体从单个样例字母的生成展示出比现有技术更优异的结果。

Mar, 2016

该论文提出了一种即时的、逼真的风格迁移方法，用于超分辨率输入的风格迁移，无需与成对数据集进行预训练或强加额外约束。通过使用一个轻量级的 StyleNet，我们的方法在保留非颜色信息的同时，实现了从风格图像到内容图像的风格迁移。为了进一步增强风格迁移过程，我们引入了一种实例自适应优化，以优先考虑输出的逼真性并加快风格网络的收敛，从而在几秒钟内快速完成训练。此外，该方法非常适用于多帧风格迁移任务，因为它保持了多帧输入（如视频和神经辐射场）的时间和多视图一致性。实验结果表明，该方法需要更少的 GPU 内存使用，提供更快的多帧迁移速度，并生成逼真的输出，为各种逼真的迁移应用提供了有希望的解决方案。

Sep, 2023

该论文提出了一种基于 Style-aware Content Loss 的 Encoder-Decoder 网络，可实现实时、高分辨率的图像和视频样式化，能够更好地捕捉样式对内容的微妙影响。

Jul, 2018

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