本文提出了一种名为 Deep Preset 的彩色风格转移方法，通过学习低级别图像颜色变换，设计出了一种通用功能，将内容中的自然颜色的特征概括成重新修饰的参考特征，并将其融合到内容的背景特征中，从而使其风格与参考相似。在 Lightroom 的 600,000 个训练样本测试中，该方法在颜色风格转换方面表现出色，既量化又定性优于以前的方法。

Jul, 2020

本文提出一种基于神经网络的艺术风格迁移算法的扩展，实现了在保留颜色的前提下，将一张图像的风格转移到另一张图像上。

Jun, 2016

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

本文介绍一种利用大量照片集合无监督学习给定输入的风格排名并选择一种多样性匹配的样式进行风格迁移，并提出一种新技术将选择的示例的全局色彩和色调转移到输入照片而避免产生常见的视觉伪影的技术。我们的风格选择和转移技术在广泛的输入摄影中产生引人入胜，无超出显示器的结果，并且用户研究表明我们的结果优于其他技术。

Nov, 2015

提出了一种名为 AdaCM 的基于 Adaptive ColorMLP 的有效和高效的通用照片逼真风格转移框架，可以在超快的速度下处理 4K 分辨率图像，并且可以生成生动、高质量的样式化结果。

Dec, 2022

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

本研究拓展了传统的神经风格迁移方法，引入了对空间位置、颜色信息和空间尺度的控制，从而增强了方法的适用性并允许了高分辨率的控制风格化。通过分解风格因素，我们实现了来自多个源的风格信息的组合，这可以用于生成新的感性吸引力样式。最后，我们展示了我们所提出的控制措施如何应用于快速神经风格迁移方法。

Nov, 2016

本文提出了一种基于卷积神经网络的多尺度合成管道，采用直方图损失来综合纹理，改善以前方法中的不稳定性，同时通过集成局部样式损失来提高特征的质量，改善内容和样式的分离，并提供艺术控制，进而获得更高质量、更快收敛和更好的稳定性。

Jan, 2017

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