本文提出了一种基于深度学习的摄影风格迁移方法，通过处理大量图像内容，忠实地传输参考样式。它可以成功抑制失真效果，满足各种情况下的摄影风格转移，包括时间、天气、季节和艺术编辑的转移。

Mar, 2017

本文提出了一种基于 PhotoNet 和神经架构搜索的相机级画风快速迁移算法，在保持细节保留和逼真性的同时，相比当前最先进的方法可以实现 20-30 倍的加速，而无需进行预处理或后处理。

Dec, 2019

该研究介绍了一种基于深度学习技术的图像风格转换方法，通过引入内容图像的失真约束条件，应用于图像语义不同的部分，使用基于神经网络的图像分割方法和语义分组步骤进行自动分割处理，进一步提高了图像的美感效果，并且使得整个流程不依赖于用户交互的干预，具有广泛的应用前景。

Jan, 2019

本文提出了一种基于封闭形式解法的图像风格化方法，解决了现有方法在实现风格转移的同时保持图像真实性、避免不一致性及异常的问题。实验结果表明，该方法生成的风格化图像质量更高且计算速度更快。

Feb, 2018

提出了一种新颖的基于参考图像的端到端学习框架，可修复和上色老照片。该系统采用来自参考图像的颜色直方图先验知识，大大减少了大规模训练数据的需求。实验表明，该方法在质量比较和量化测试方面均显著优于先前的最先进模型。

May, 2022

本文提出了一种基于区域语义的多样式迁移框架，其中引入了新的多级特征融合模块和补丁注意力模块来实现更好的语义对应和保留更丰富的样式细节，并使用区域风格融合模块将多个样式无缝地结合在一起，实现更丰富、更美观的多样式迁移结果。

Oct, 2019

本文提出了一个深度模型，在场景的点云表示中学习基于几何感知的内容特征，以生成高质量且在视图上具有一致性的艺术化图像，从而实现了从单个图像到任意风格化图像的 3D 照片艺术化生成，并在定性和定量研究中展示了方法的优越性。

Nov, 2021

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

基于深度神经网络的较慢的最新方法限制实际分辨率，或仍包含可感知的瑕疵，我们在这里提出了一种新的端到端模型，用于光影逼真的风格转移，其快速且产生逼真的结果，与现有最先进的方法相比，我们的方法产生了视觉上更好的结果，速度提高了三个数量级，并在移动手机上实现了 4K 的实时性能。

Apr, 2020

使用深度学习方法，借助真实旧照片和大量合成照片对，提出一种新的三元域翻译网络，可以恢复多种损坏类型的旧照片。与现有方法相比，在视觉质量方面，所提出的方法表现更好。

Apr, 2020