MMOct, 2020

多画家风格转移的各向异性描边控制

PDF
TL;DR提出了一种 Stroke Control Multi-Artist Style Transfer 框架，为实现多艺术家风格转移设计了多条件单生成器结构和 Anisotropic Stroke Module， 并使用 Multi-Scale Projection Discriminator 实现了纹理级别的条件生成， 实验证明了该方法的可行性和有效性。
artistic style transfermulti-artist style transferanisotropic stroke modulemulti-scale projection discriminatoradaptive semantic-consistency
发现论文，激发创造
  • 关注感知的多笔画风格转移

    本文提出一种基于自我关注机制的多笔画风格迁移，通过使用自我关注机制来得出内容图像的关注热力图，并在不同的尺度下对内容特征和风格特征进行多样化笔画渲染，并加入柔性的特征融合策略来提高风格迁移的效果以及生成多笔画风格的图像。

    Jan, 2019

  • ArtBank: 利用预训练扩散模型和隐式风格提示库实现艺术风格转换

    我们提出了 ArtBank，一种新颖的艺术风格转换框架，旨在生成高度逼真且保留内容结构的风格化图像。通过设计可训练的参数矩阵集合 - 隐式风格提示库（ISPB），从艺术作品的集合中学习和存储知识，作为视觉提示，指导预训练大规模模型生成高度逼真的风格化图像，同时保留内容结构。此外，我们提出了一种基于空间统计的自注意力模块（SSAM），加速训练 ISPB。定性和定量实验证明了我们提出的方法优于现有的艺术风格转换方法。

    Dec, 2023

  • Style Mixer: 语义感知的多风格转移网络

    本文提出了一种基于区域语义的多样式迁移框架，其中引入了新的多级特征融合模块和补丁注意力模块来实现更好的语义对应和保留更丰富的样式细节，并使用区域风格融合模块将多个样式无缝地结合在一起，实现更丰富、更美观的多样式迁移结果。

    Oct, 2019

  • 自适应感受野的可控笔画快速风格迁移

    本研究提供了一种可以进行实时连续笔画大小变化的笔画可控艺术风格转移网络，并通过使用自适应感受野和两种训练策略以实现更快的收敛和新增笔画大小。通过组合所提出的运行时控制策略，该网络可以实现笔画大小的连续变化，并在同一输出图像的不同空间区域中产生不同的笔画大小。

    Feb, 2018

  • 基于扩散模型的倒置式风格迁移

    本文提出了一种基于单张画作的有学习能力的文字描述的艺术风格逆推算法（InST），能够高效地捕捉并转移绘画作品的艺术风格，且经过在多个艺术家和艺术风格的多幅画作上测试验证了其质量和效率。

    Nov, 2022

  • 多适应网络实现任意风格转换

    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

  • 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

  • 通过形状匹配 GAN 实现可控艺术文本风格转移

    本文介绍了一种基于双向形状匹配框架的文本风格转移网络，该网络允许通过可调参数对字形的关键风格程度进行实时控制，这种方法能够持续表征样式图像的多尺度形状特征并将这些特征传递到目标文本中，有效地解决了文本风格转移中控制样式形变的问题，达到了比先前技术更好的效果。

    May, 2019

  • 多模态迁移：一种用于快速艺术风格迁移的分层深度卷积神经网络

    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

  • 探索实时任意神经艺术风格化网络的结构

    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