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。

May, 2020

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

本文提出了一种基于卷积神经网络的实时视频风格转移模型 ReCoNet，通过引入新的亮度变形约束和特征映射级别的时间损失，实现了既有高质量风格又能保证时间连贯性的风格迁移。实验结果表明该模型在质量和效率上均表现出色。

Jul, 2018

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

通过设计一种具有短期和长期相干性的即时视频风格转化网络，以处理使用不同图像风格化网络的视频序列，高效生成连贯、极具视觉效果和数量效应显著优于基本算法的结果。

Mar, 2017

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

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

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

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