该论文提出了一种基于Style-aware Content Loss的Encoder-Decoder网络，可实现实时、高分辨率的图像和视频样式化，能够更好地捕捉样式对内容的微妙影响。

Jul, 2018

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

通过对预先训练在多个数据集上的模型进行分析，本文探讨和分析了StyleGAN2的潜在样式空间，发现StyleSpace的通道式样式参数空间显著比前人的其他中间潜变空间更具解开性，提出了一种通过StyleSpace控制实现更好的视觉属性解开性的方法，最终展示了应用StyleSpace控制实现对真实图像的操作，为通过简单而直观的接口实现具有语义意义的、良好解开的图像操作铺平了道路。

Nov, 2020

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

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

神经风格迁移（NST）是将神经技术应用于修改内容图像的艺术外观以匹配参考样式图像的研究领域。我们提出使用基于扩散模型的新类模型来执行风格迁移并实现可变形式的风格迁移，展示了如何在推理时利用这些模型的先验知识，探索了该领域新方向的研究成果。

Jul, 2023

我们提出了一种名为InfoStyler的新颖信息分解方法，通过消除内容图像中的样式统计数据和去除样式图像中的内容结构，捕获了内容和样式表示的最小充分信息。此外，为了进一步促进信息分解学习，我们提出了一种跨域信息瓶颈学习策略，通过重建内容和样式域来实现。大量实验证明，我们的InfoStyler可以在平衡内容结构保存和样式纹理丰富性的同时合成高质量的风格化图像。

Jul, 2023

通过提出一种新的内容和风格(C-S)分离框架来实现风格迁移，利用CLIP图像空间中的显式内容信息提取和隐式学习得到互补风格信息，以实现可解释和可控的C-S分离和风格迁移，通过扩展扩散模型的风格去除和生成能力，实现了卓越的结果和灵活的C-S分离与权衡控制，为风格迁移中的C-S分离提供了新的见解并展示了扩散模型在学习良好分离的C-S特征方面的潜力。

Aug, 2023

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

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