照片之间的滤镜风格转移
针对工业领域中数据稀缺的挑战,转移学习成为一种关键的范式。该研究介绍了一种专门针对工业环境的方法学,称为 Style Filter。通过在知识转移之前有选择性地过滤源领域数据,Style Filter 减少了数据的数量,同时保持或增强了转移学习策略的性能。Style Filter 在深度学习领域的传统转移策略之前使用,并在真实工业数据集上进行了评估,突出了其在实际工业应用中的效果。
Mar, 2024
本文提出了一种新颖的 STTR 网络,采用视觉令牌将内容和样式映射到细粒度的特征空间,采用自注意力机制和交叉注意力机制实现微观的样式转换,在人造数据集的评估中取得了较高的效果。
Oct, 2022
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
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
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
通过对流行的预训练模型在 Instagram 过滤器下的鲁棒性的分析结果,此文研究了简单的保持结构的过滤器对卷积特征空间的影响,并引入了一种轻量级去风格化模块优化卷积神经网络的表现。
Dec, 2019
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