Apr, 2023

NeAT：用于美丽风格转换的神经艺术追踪

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 有条件的对抗神经艺术风格转移

    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。

    Feb, 2023

  • 提升艺术风格神经算法

    研究如何通过多种方法改进神经艺术风格算法的表现，特别是针对一些换风格难以处理的更复杂的前景和背景等内容，在实验中显示方法能有效提高风格转换的质量。

    May, 2016

  • 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

  • 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

  • AesFA：一种美学特征感知的任意神经风格迁移

    该研究提出了一种轻量级但有效的模型，名为 AesFA，用于从参考图像中更好地解离美学风格，并通过在整个模型中进行端到端训练来完全排除预训练模型进行推理。为了改进网络提取更明显的表示和进一步增强风格化质量，该研究还引入了一种新的美学特征：对比损失。大量的实验证明，该方法在风格化质量方面不仅优于最近的神经风格转换方法，而且实现了更快的推理速度。

    Dec, 2023

  • 神经艺术风格迁移中颜色保留

    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

  • MetaStyle: 神经风格迁移中速度、灵活性和质量的三方面权衡

    我们提出了 MetaStyle 方法，将神经风格迁移公式化为双层优化问题，并结合学习和后处理更新步骤，使其适应快速逼近模型，从而实现高质量的任意艺术风格转移，并在速度，灵活性和质量之间取得了良好的平衡。

    Dec, 2018

  • 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

  • ArtBank: 利用预训练扩散模型和隐式风格提示库实现艺术风格转换

    我们提出了 ArtBank，一种新颖的艺术风格转换框架，旨在生成高度逼真且保留内容结构的风格化图像。通过设计可训练的参数矩阵集合 - 隐式风格提示库（ISPB），从艺术作品的集合中学习和存储知识，作为视觉提示，指导预训练大规模模型生成高度逼真的风格化图像，同时保留内容结构。此外，我们提出了一种基于空间统计的自注意力模块（SSAM），加速训练 ISPB。定性和定量实验证明了我们提出的方法优于现有的艺术风格转换方法。

    Dec, 2023