基于特征分布：神经风格迁移的矩匹配方法

Mar, 2021

基于特征分布：神经风格迁移的矩匹配方法

In the light of feature distributions: moment matching for Neural Style Transfer

Nikolai Kalischek, Jan Dirk Wegner, Konrad Schindler

TL;DR本文旨在提高图像风格迁移的实现效果，通过将卷积神经网络中的样式解释为分布，利用机器学习中的 Central Moment Discrepancy（CMD）方法来更精确地匹配目标样式和输出图像的特征分布，从而更加准确地还原所期望的风格，并改善样式与语义图像内容的区分效果。

Abstract

style transfer aims to render the content of a given image in the graphical/artistic style of another image. The fundamental concept underlying NeuralStyle Transfer (NST) is to interpret style as a distribution in the feature space of a Convolutional Neural Network, such that a desired

style transfer neural networks convolutional neural networks central moment discrepancy image content

发现论文，激发创造

神经风格迁移：综述

本文概述了当前神经风格转移研究的进展，提供了当前算法的分类方法及几种评估方法，对不同 NST 算法进行了定性和定量比较，最后讨论了 NST 的多种应用和未来研究的开放问题。

May, 2017

神经风格转移的探秘

本文提出了一个新的神经风格转移的解释，即将其视为一个域自适应问题，理论上证明匹配特征图 Gram 矩阵相当于用二次多项式内核最小化最大平均偏差（MMD），实验结果表明，通过多种不同的分布对齐方法，我们可以实现理想的结果。我们认为这种新的解释连接了这两个重要的研究领域，可以启发未来的研究。

Jan, 2017

DIFF-NST：用于可塑性神经风格迁移的扩散交错

神经风格迁移（NST）是将神经技术应用于修改内容图像的艺术外观以匹配参考样式图像的研究领域。我们提出使用基于扩散模型的新类模型来执行风格迁移并实现可变形式的风格迁移，展示了如何在推理时利用这些模型的先验知识，探索了该领域新方向的研究成果。

Jul, 2023

神经元邻居风格迁移

本文介绍了神经邻域风格迁移（NNST）方法，通过替换从风格示例图像中提取的神经特征，以及基于这些重新排列的特征合成最终输出，从而显著提高了最终视觉质量。

Mar, 2022

有条件的对抗神经艺术风格转移

本文提出了一种新的神经样式转换模型，它是基于无需相关风格图像，可用于任何内容和风格的输入形成语义准确的生成图像，规避了全模型训练的烦恼，并通过单向 GAN 模型的确保循环一致性的结构，实现了更高效的训练和验证阶段以及更小的模型尺寸。

Feb, 2023

神经风格迁移的评估：综述

神经风格迁移的评估方法和指标存在着不一致性和局限性，为了促进方法之间更有意义、更公平的比较，以及对研究结果的理解和解释的提升，我们提供了对现有评估技术的深入分析，并提出了标准化评估实践的建议。

Jan, 2024

基于图割的多模态风格转换

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

计算机游戏的神经风格迁移

将深度感知的神经风格迁移嵌入到三维渲染管线中作为游戏后期处理特效，通过定性和定量实验验证了提出的游戏内风格化框架在艺术风格化游戏场景中实现了时序一致的结果，优于最先进的图像和视频神经风格迁移方法。

Nov, 2023

用深度强化学习控制神经风格迁移

基于深度强化学习，我们提出了一种用于神经风格迁移任务的基于步骤的模型，能够控制风格化程度，同时在早期步骤中保留更多内容图像的细节和结构，在后期步骤中合成更多风格图案，具有较低计算复杂度。实验结果表明了我们方法的有效性和鲁棒性。

Sep, 2023

ALADIN-NST: 基于神经风格转换的自监督解缕编码学习艺术风格

我们的论文旨在学习一种视觉艺术风格的表示形式，该表示形式从语义内容中更强的解离出来，我们使用神经风格转换（NST）来测量和驱动学习信号，并在明确解离度量上实现了最先进的表示学习。我们表明，强调风格和内容的解离会在风格特定度量方面取得大量收益，编码较少的语义信息并在下游多模态应用中实现最先进的准确性。

Apr, 2023