大规模几何变形与内容保护的工业风格转换
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
本文提出了一种新颖的 STTR 网络，采用视觉令牌将内容和样式映射到细粒度的特征空间，采用自注意力机制和交叉注意力机制实现微观的样式转换，在人造数据集的评估中取得了较高的效果。
Oct, 2022
通过将风格转移任务分解为风格、空间结构和语义内容三个核心元素，本研究提出了 InstantStyle-Plus，一种注重原始内容完整性同时无缝整合目标风格的方法。通过有效的、轻量级的风格注入过程，并利用先进的 InstantStyle 框架，实现风格注入。为了增强内容保护，我们使用倒置的内容潜噪声和多功能的接插件式 ControlNet 来保持原始图像的内在布局。此外，还引入了全局语义适配器以增强语义内容的保真度，并使用风格提取器作为鉴别器提供辅助风格引导。
Jun, 2024
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
我们提出了一种图像风格转化的训练方法，通过使用损失函数来约束不同区域的风格强度，并引入了一种特征融合方法，通过线性转换内容特征来保持其语义关系，该方法在大量实验证明了其有效性。
Oct, 2023
本篇文章提出了一种基于小波变换和白化和彩色变换（WCT$^2$）的样式转换方法，该方法引入了一种理论上正确的修正网络架构，其可能性大大增强了感性质地和两种样式之间的转化，同时保持了结构信息和 VGG 特征空间的统计属性；此外，被提出的模型可以在 4.7 秒内完成 $1024 imes1024$ 分辨率图像的样式转换，且无需后期处理，具有稳定的视频样式转换。
Mar, 2019
本研究介绍了一种新的基于转换器（transformer-based）方法和边缘损失（edge loss）的图像风格转换方法 STT，可以在保持较好的风格特征同时提升内容细节，避免产生过度渲染的模糊结果，并解决常见的内容泄漏问题。实验结果表明，STT 在图像风格转换方面具有与最先进的方法相当的性能。
Jan, 2023
基于文本引导的多模态图像风格迁移方法，使用了 GAN 反演技术生成与指定风格一致的风格表示，实现了在图像风格迁移任务中最先进的性能，并通过全面的定性结果验证了在多模态任务和跨模态风格插值任务中的有效性。
Dec, 2023
该论文提出了一种即时的、逼真的风格迁移方法，用于超分辨率输入的风格迁移，无需与成对数据集进行预训练或强加额外约束。通过使用一个轻量级的 StyleNet，我们的方法在保留非颜色信息的同时，实现了从风格图像到内容图像的风格迁移。为了进一步增强风格迁移过程，我们引入了一种实例自适应优化，以优先考虑输出的逼真性并加快风格网络的收敛，从而在几秒钟内快速完成训练。此外，该方法非常适用于多帧风格迁移任务，因为它保持了多帧输入（如视频和神经辐射场）的时间和多视图一致性。实验结果表明，该方法需要更少的 GPU 内存使用，提供更快的多帧迁移速度，并生成逼真的输出，为各种逼真的迁移应用提供了有希望的解决方案。
Sep, 2023