我们使用对抗学习来弥合前景特征图和背景特征图之间的领域差异，实现了更和谐、视觉上更具吸引力的结果。

Nov, 2023

我们提出了一个新颖的 Painterly Harmonization stable Diffusion model (PHDiffusion)，通过自适应编码器和双编码器融合模块，实现了更好地插入摄影物体到绘画中并获得艺术上一致的复合图像，能更充分地风格化前景并同时保留更细的内容。

Aug, 2023

在这项研究中，我们探索了从艺术画中学习绘画图像的目标样式，以实现绘画图像的协调处理。通过学习背景风格和对象信息到对象样式的映射，我们能够生成目标风格的复合对象，进而协调编码器特征图并生成协调图像。对基准数据集的广泛实验验证了我们提出的方法的有效性。

Dec, 2023

本研究提出了一种基于深度学习的图像和谐网络，采用背景引导域转换的方式，通过背景信息对前景进行调整，实现了高质量的图像合成。

Sep, 2020

通过使用预先训练的分类网络，提出了一种新的体系结构来利用高级特征空间以实现图像和谐的目的，并在图像和谐基准测试中取得了 MSE 和 PSNR 指标的最新成果。

Jun, 2020

无需训练和提示的综合画家感知融合方法通过利用图像间注意力共享，重新定义自注意机制并跨图像信息跟踪与提升性能，同时提出新的综合画家感知融合基准测评方法，实验证明了其在多个基准测试中的优越性能。

Apr, 2024

本文介绍了一种基于深度学习的图片和谐方法 DoveNet，在 COCO、Adobe5k、Flickr 和 day2night 这些数据集上生成了一组 iHarmony4 数据集。我们提出了一种先进的新颖的领域验证鉴别器，使前景能够被翻译成与背景相同的领域。在所构建的数据集上大量实验表明，我们提出的方法是有效的。

Nov, 2019

本研究介绍了一种在内在图像领域中制定的自我监督照明协调方法，通过估计中级视觉表征生成的大体阴影，再通过网络对其进行修正以生成与背景场景一致的协调再阴影，结合先前协调方法的思想，在色调域中执行参数化图像编辑，实现前景与背景的颜色外观匹配，并通过挑战性实际复合结果和用户研究验证我们方法的有效性和与最先进的协调方法相比增强的真实感。

Dec, 2023

绘画风格图像协调网络通过渐进的多阶段协调网络，从低级样式（如颜色、简单纹理）到高级样式（如复杂纹理），将摄影前景对象与绘画背景协调起来，并通过早期退出策略自动决定适当的退出阶段，以提高解释性和协调性能。在基准数据集上进行的大量实验证明了渐进协调网络的有效性。

Dec, 2023

图像协调的目标是调整复合图像中前景的外观，使整个图像协调一致。我们通过探索可学习的增强方法，丰富小规模数据集的光照多样性，以提升协调性能。实验表明，我们提出的可学习增强方法对图像协调具有有效性。

Aug, 2023