ALADIN：全层自适应实例标准化进行细粒度风格相似度计算

Mar, 2021

ALADIN：全层自适应实例标准化进行细粒度风格相似度计算

ALADIN: All Layer Adaptive Instance Normalization for Fine-grained Style Similarity

Dan Ruta, Saeid Motiian, Baldo Faieta, Zhe Lin, Hailin Jin...

TL;DRALADIN 是一种基于样式相似度搜索图像的新型架构，其利用 BAM-FG 数据集进行了微弱监督学习，实现了对数码艺术品的细粒度样式相似性表示，成为了针对基于风格的视觉搜索的最新标杆。

Abstract

We present aladin (All Layer AdaIN); a novel architecture for searching images based on the similarity of their artistic style. Representation learning is critical to visual search, where distance in the learned search embedding reflects image similarity. Learning an embedding that dis

aladin style-based visual search fine-grained style similarity weakly supervised bam-fg

发现论文，激发创造

ALADIN：用于高效图像 - 文本匹配和检索的细粒度对齐分数压缩

本文提出了一种名为 ALADIN 的图文匹配方法，该方法通过精细的图像文本层次对齐产生高效得分，并通过蒸馏从层次对齐中获得的相关性得分，学习共享的嵌入空间，可在近乎 90 倍的速度下与最先进的 VL Transformer 网络相竞争，具有横跨视觉和语言的领先地位。

Jul, 2022

自适应实例标准化下的实时任意风格转换

本文提出了一种简单而有效的方法，通过引入自适应实例标准化（AdaIN）层，实现了实时的任意风格迁移，其可以灵活控制权衡内容和风格、风格插值以及颜色和空间控制。

Mar, 2017

StyleBabel：艺术风格标记和字幕

本研究提出了 StyleBabel 数据集，包括超过 135K 的数字艺术作品的自然语言标题和描述艺术风格的自由表单标签；通过一种基于 Grounded Theory 的迭代方法进行收集，使用 ALADIN 架构 + Visual Transformer (ViT) 和跨模态表示学习进行 fine-grained style 检索，从而实现了自由形式标记的生成、自然语言描述艺术风格以及精细化文本搜索等多样化的样式特征任务。

Mar, 2022

自适应样式不变神经网络的批量实例归一化

通过 Batch-Instance Normalization 技术，能够显式地将图像中不必要的样式进行规范化，从而对识别性任务的结果产生了惊人的提升，理论有效性得到了实验验证。

May, 2018

多风格自适应正规域的神经光辐射

我们提出了一种结合 AdaIN 和 NeRF 的新型流程，用于风格化的新视角合成任务，相比之前的工作，我们做出了以下贡献：1）我们简化了流程。2）我们扩展了模型的能力，以处理多风格任务。3）我们修改了模型架构，以在具有强烈笔触的风格上表现出色。4）我们在多风格模型上实现了风格插值，使我们能够控制任意两种风格之间的风格和风格强度，从而更好地控制风格化的强度。

Jun, 2024

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

3D 人体形状风格转移

本文介绍了一种将静态实体角色的形状风格转移到真实动态角色的方法，并通过应用自适应实例归一化和 SPADE 体系结构将图像风格转移技术拓展到三维人体形状领域，利用卷积神经网络同时保留形状结构和传递新主题形状的风格，通过优化和学习方法实现了大约 56% 的质量和数量上的改进。

Sep, 2021

用 Transformer 和对比学习重新思考任意风格转换

本研究提出了一种创新技术，通过样式一致的实例归一化和基于实例的对比学习方法来改进生成的艺术风格图片的质量，引入感知编码器来捕获样式特征，实验证明该方法生成了高质量的艺术风格图片并有效地避免了伪影。

Apr, 2024

通过相似性感知归一化探索场景文本的自监督表示学习

提出一种自监督生成网络（SimAN），通过相邻的图像块来指导网络进行图像重建，增强网络对图像的表征能力，该方法不仅可用于复杂图像识别中，也可以用于数据合成、文本图像编辑和字体插值等实际应用领域。

Mar, 2022

任意风格迁移的动态实例规范化

本研究提出了新的、广义的标准化模块 ——Dynamic Instance Normalization（DIN），通过组成实例标准化和动态卷积将风格图像编码成可学习的卷积参数，从而实现了灵活且更高效的任意风格转移。实验结果表明，所提出的方法在具有挑战性的风格模式上具有非常鼓舞人心的结果，并且是使用基于 MobileNet 的轻量级架构进行任意风格转移的首次，并且在计算成本方面比现有方法提供了超过 20 倍的降低因素。此外，所提出的 DIN 为最先进的卷积操作提供了灵活的支持，因此触发了新的功能，如非自然图像的均匀笔触位置和自动空间笔触控制。

Nov, 2019