Jul, 2020

深度预置：使用颜色风格转换混合和修饰照片

PDF
TL;DR本文提出了一种名为 Deep Preset 的彩色风格转移方法，通过学习低级别图像颜色变换，设计出了一种通用功能，将内容中的自然颜色的特征概括成重新修饰的参考特征，并将其融合到内容的背景特征中，从而使其风格与参考相似。在 Lightroom 的 600,000 个训练样本测试中，该方法在颜色风格转换方面表现出色，既量化又定性优于以前的方法。
image style transfercolor-shifting methodsdeep presetlow-level image transformationphotography
发现论文，激发创造
  • 神经色彩风格迁移预设置

    本文提出了一种神经预置技术，即基于 DNCM 和二阶段管道的自我监督策略，解决了基于颜色风格转换技术的局限性，包括视觉伪影、大量内存需求和风格转换速度缓慢等问题，并在多个领域取得了优异的表现。

    Mar, 2023

  • 深度照片风格转移

    本文提出了一种基于深度学习的摄影风格迁移方法，通过处理大量图像内容，忠实地传输参考样式。它可以成功抑制失真效果，满足各种情况下的摄影风格转移，包括时间、天气、季节和艺术编辑的转移。

    Mar, 2017

  • 自动内容感知色调风格化

    本文介绍一种利用大量照片集合无监督学习给定输入的风格排名并选择一种多样性匹配的样式进行风格迁移，并提出一种新技术将选择的示例的全局色彩和色调转移到输入照片而避免产生常见的视觉伪影的技术。我们的风格选择和转移技术在广泛的输入摄影中产生引人入胜，无超出显示器的结果，并且用户研究表明我们的结果优于其他技术。

    Nov, 2015

  • 自动化深度照片风格转换

    该研究介绍了一种基于深度学习技术的图像风格转换方法，通过引入内容图像的失真约束条件，应用于图像语义不同的部分，使用基于神经网络的图像分割方法和语义分组步骤进行自动分割处理，进一步提高了图像的美感效果，并且使得整个流程不依赖于用户交互的干预，具有广泛的应用前景。

    Jan, 2019

  • 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

  • 基于特征转换的通用风格迁移

    本論文提出了一種簡單而有效的方法，使用特徵轉換技術：白化和著色，實現了通用風格轉換，以轉換任意視覺風格並生成高質量的風格圖像。

    May, 2017

  • 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

  • 实时通用光真实风格迁移的联合双边学习

    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

  • 神经艺术风格迁移中颜色保留

    本文提出一种基于神经网络的艺术风格迁移算法的扩展，实现了在保留颜色的前提下，将一张图像的风格转移到另一张图像上。

    Jun, 2016

  • 利用预先训练的知觉度量参数化风格转移效果的工具和领域不可知化

    通过将端到端的样式转移效果转录为现有内容编辑工具中的特定转换的参数值，本文提出了参数化转录方法，以便于用户可以使用他们熟悉的工具模仿参考样本的样式，并通过操纵参数继续进一步的探索设计。利用现有的预训练模型计算与参考样本的感知风格距离以及使用黑盒优化来找到最小化该距离的参数，我们的实验显示，本框架可以有效地利用深度学习技术来支持计算设计。

    May, 2021