学习图神经网络用于图像风格转移
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
本研究提出了一种针对基于曲线的设计草图的新的参数化风格转移框架,通过使用参数化的形状编辑规则、高效的曲线到像素转换技术以及对 ImageNet-Sketch 上的 VGG19 进行微调,有效解决了神经风格转移方法在处理二进制草图转换方面所面临的传统挑战,并通过将直观的基于曲线的图像与基于规则的编辑相协调,有可能显著提升设计表达能力,并在产品设计领域提升风格转移的实践。
Oct, 2023
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
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
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
本文提出一种基于图卷积神经网络的本地和非本地信号处理的统一框架,并通过卷积层采用变量输入,从而使网络能够适应图结构的变化,进而设计了一种新的风格迁移方法。
Feb, 2017
本研究提出了一种新的、灵活的样式迁移方法,通过学习空间自适应卷积核来改进全局和局部特征交互,同时保留内容图像的细节结构,并且通过 Style Alignment Encoding (SAE) 和 Content-based Gating Modulation (CGM) 模块学习动态样式卷积核,极大地提升了视觉质量和效率。
Apr, 2023
本文提出了一种新概念,即通过手动制作像素标签或使用现有解决方案进行语义分割,将生成式架构与语义注释相结合,从而增强生成算法的内容感知性,提高生成的图像质量,避免常见的故障,并扩展这些算法的功能范围。
Mar, 2016