Apr, 2023

学习动态风格核进行艺术风格转换

PDF
TL;DR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。
style transferper-pixel stylizationspatially adaptive kernelsstyle alignment encoding (sae)content-based gating modulation (cgm)
发现论文，激发创造
  • 基于图割的多模态风格转换

    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

  • 任意风格的快速基于块的风格转移

    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

  • 多适应网络实现任意风格转换

    本文提出了一种多适应网络，它包括两个自适应模块和一个协同适应模块。该模型使用自适应模块分离内容和风格表示，并使用一种新的解缠结损失函数来提取主要的风格模式和确切的内容结构，根据各种输入图像进行相应的调整，这样能够更好地进行样式转移。实验证明，与现有的样式转移方法相比，提出的多适应网络可获得更好的结果。

    May, 2020

  • 通过对比学习增强领域任意图像风格转移

    本文提出一种使用深度对比学习的方法，通过学习图像特征来获得图像的样式表示，并使用生成网络进行样式转移。研究表明，相对于现有的基于二阶统计量的方法，这种方法能够更加有效地获取图像的样式信息并生成更好的结果。

    May, 2022

  • 一个用于图像风格转换的内容变换块

    该论文主要研究了利用内容转换模块和归一化层实现以样式为导向的图像风格转移，并且能够实现高分辨率图像合成和实时视频风格化，通过定量和定性的实验验证了该方法的有效性。

    Mar, 2020

  • 学习图神经网络用于图像风格转移

    本文提出了一种半参数神经风格迁移框架，使用图神经网络和基于注意力的异构消息传递来建立准确和细粒度的内容风格对应关系，在局部补偿全局统计特征的同时消除了补丁拟合不足带来的瑕疵，并引入了变形图卷积操作进行跨尺度风格匹配，实现了单一模型多样化补丁风格化。实验结果表明，该方法在保留全局外观和精致细节方面取得了令人鼓舞的效果。

    Jul, 2022

  • 通过风格调整和内容保留实现少样本图像生成

    我们提出了一种配对图像重建方法，用于内容保留，通过引入图像转换模块到生成对抗网络转换过程中，在少样本设置中，定性和定量实验证明我们的方法始终优于现有方法。

    Nov, 2023

  • 具有风格 - 关注网络的任意风格转移

    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

  • 区域控制的风格转换

    我们提出了一种图像风格转化的训练方法，通过使用损失函数来约束不同区域的风格强度，并引入了一种特征融合方法，通过线性转换内容特征来保持其语义关系，该方法在大量实验证明了其有效性。

    Oct, 2023

  • 探究艺术风格的神经算法

    本文探讨了 Gatys 等人在文章 “A Neural Algorithm of Artistic Style” 中提出的样式迁移方法，进一步研究了样式空间，以及一些基于网络特征的新的样式表示，并讨论了如何实现局部和潜在的内容感知的样式迁移。

    Feb, 2016