Feb, 2023

有条件的对抗神经艺术风格转移

PDF
TL;DR本文提出了一种新的神经样式转换模型，它是基于无需相关风格图像，可用于任何内容和风格的输入形成语义准确的生成图像，规避了全模型训练的烦恼，并通过单向 GAN 模型的确保循环一致性的结构，实现了更高效的训练和验证阶段以及更小的模型尺寸。
neural artistic style transformationnststyle image independent neural style transfer modelunidirectional-gan modelcyclic consistency
发现论文，激发创造
  • 神经风格迁移：综述

    本文概述了当前神经风格转移研究的进展，提供了当前算法的分类方法及几种评估方法，对不同 NST 算法进行了定性和定量比较，最后讨论了 NST 的多种应用和未来研究的开放问题。

    May, 2017

  • 神经元邻居风格迁移

    本文介绍了神经邻域风格迁移（NNST）方法，通过替换从风格示例图像中提取的神经特征，以及基于这些重新排列的特征合成最终输出，从而显著提高了最终视觉质量。

    Mar, 2022

  • 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

  • 卷积神经网络艺术风格迁移的生成式 AI 模型

    该论文综述了一种使用卷积神经网络（CNN）进行风格转换的新技术，通过利用 CNN 学习的深层图像表征，实现了分离和操作图像内容和风格的能力，从而合成了以和谐方式结合内容和风格的高质量图像。

    Oct, 2023

  • NeAT：用于美丽风格转换的神经艺术追踪

    本文介绍了 NeAT，一种新的前馈风格转移方法，将前馈风格转移重新定义为图像编辑而不是图像生成，以在保留源内容和匹配目标风格方面改进最新技术。在介绍 BBST-4M 数据集的同时，提出了一种新的模型，用于对图像进行风格分类，并使用该数据集将 NeAT 的推广和衡量提高到了另一个水平。NeAT 不仅在质量和推广方面处于最新状态，而且针对高分辨率的快速推断进行了设计和训练。

    Apr, 2023

  • 用深度强化学习控制神经风格迁移

    基于深度强化学习，我们提出了一种用于神经风格迁移任务的基于步骤的模型，能够控制风格化程度，同时在早期步骤中保留更多内容图像的细节和结构，在后期步骤中合成更多风格图案，具有较低计算复杂度。实验结果表明了我们方法的有效性和鲁棒性。

    Sep, 2023

  • 可调实时风格迁移

    该论文提出了一种新方法，可以通过一组手动可调参数在训练之后实时调整关键超参数，以使用户可以修改来自相同样式 / 内容图像对的合成输出，以寻找最喜欢的风格化图像。调整这些参数与用不同超参数重新训练模型相当，还演示了如何在保持风格和内容相似的情况下随机生成多样的结果。

    Nov, 2018

  • 探索实时任意神经艺术风格化网络的结构

    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

  • 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

  • 计算机游戏的神经风格迁移

    将深度感知的神经风格迁移嵌入到三维渲染管线中作为游戏后期处理特效，通过定性和定量实验验证了提出的游戏内风格化框架在艺术风格化游戏场景中实现了时序一致的结果，优于最先进的图像和视频神经风格迁移方法。

    Nov, 2023