MMAug, 2022

AesUST: 朝着美学增强的通用风格转移

PDF
TL;DR本研究提出了一种新的美学增强的通用风格转移方法，通过引入美学鉴别器和美学感知的注意力机制，以及两阶段的训练策略和正则化方法，实现了对任意风格的艺术作品进行更加真实和美学的风格转移。
universal style transferaesthetic enhancementstyle attentionaesthetic discriminatortwo-stage transfer training
发现论文，激发创造
  • AesFA：一种美学特征感知的任意神经风格迁移

    该研究提出了一种轻量级但有效的模型，名为 AesFA，用于从参考图像中更好地解离美学风格，并通过在整个模型中进行端到端训练来完全排除预训练模型进行推理。为了改进网络提取更明显的表示和进一步增强风格化质量，该研究还引入了一种新的美学特征：对比损失。大量的实验证明，该方法在风格化质量方面不仅优于最近的神经风格转换方法，而且实现了更快的推理速度。

    Dec, 2023

  • TSSAT: 艺术风格转换的两阶段统计感知变换

    通过模拟人类绘画过程，提出了两阶段统计感知转换（TSSAT）模块来改善艺术风格迁移的效果，并引入了基于注意力的内容损失和基于补丁的风格损失来增强内容和风格的表示。大量的定性和定量实验证实了我们方法的有效性。

    Sep, 2023

  • 领域感知的通用风格迁移

    该研究提出了一种新的基于领域感知的样式迁移网络（DSTN），旨在通过捕捉参考图像的领域性质来传递样式。实验结果表明，该模型在艺术和照片逼真的渲染中均比先前的方法表现更好。

    Aug, 2021

  • MicroAST：超快超分辨率任意风格迁移

    本论文提出了一种称为 MicroAST 的新型超快速任意风格迁移模型，基于两个微型编码器和一个微型解码器，并引入了一种新的风格信号对比损失以提高风格编码器的处理能力。与现有方法相比，MicroAST 在速度和模型大小上的优势显著，首次实现了在 4K 超高清分辨率下的 0.5 秒超速任意风格迁移。

    Nov, 2022

  • AesPA-Net: 美学模式感知风格转换网络

    通过优化注意机制和捕捉样式模式的节奏，我们引入了一种称为模式可重复性的新指标，基于它，我们提出了能够发现局部和全局样式表达的 AesPA-Net，并引入了一种新的自监督任务和补丁级样式损失来实现完美的艺术风格迁移，通过定性和定量评估验证了模式可重复性的可靠性，并展示了所提出框架的优越性。

    Jul, 2023

  • 一石二鸟：图像和视频风格转换联合学习的统一框架

    本文介绍了一种基于统一风格转移框架 UnST 和领域交互变压器（DIT）的方法，使得同时能实现对图像和视频完成风格转移任务。实验表明 UniST 在图像和视频领域中与现有方法相比表现更佳，通过简单而有效的轴向多头自我关注（AMSA）获得更高的计算效率和风格转移表现。

    Apr, 2023

  • 提高任意风格迁移的风格感知归一化损失

    本文研究神经风格转换中不平衡风格转移的问题，提出了一种解决方案，通过提出新的 Loss function 在理论分析和实验结果中证明其有效性，提高风格欺骗率和人类评估的偏好度。

    Apr, 2021

  • ArtFusion：使用双条件潜扩散模型进行任意风格转移

    ArtFusion 提出一种新方法，使用 Dual-cLDM，通过单图像在模型训练期间同时保留内容和风格，提高多样性。

    Jun, 2023

  • 基于特征转换的通用风格迁移

    本論文提出了一種簡單而有效的方法，使用特徵轉換技術：白化和著色，實現了通用風格轉換，以轉換任意視覺風格並生成高質量的風格圖像。

    May, 2017

  • 通过稳定扩散的步态感知和层级感知提示实现高度逼真的艺术风格转换

    提出了一种名为 LSAST 的新型基于预训练扩散的艺术风格转换方法，能够生成高度逼真的艺术化风格图像，并在保留输入图像的内容结构方面表现出较好的效果，而不引入明显的伪影和不协调的风格图案。

    Apr, 2024