基于 RGBD 图象的图像风格化实现
本研究基于场景重建的网格应用风格转移技术,让用户能够在虚拟现实中欣赏以喜欢的艺术家绘画风格来呈现的三维环境。研究通过对场景网格的纹理进行优化并从所有可用的输入图像上共同进行风格化,实现了一致性和稳定性风格化表现。
Dec, 2021
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
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
本文提出了两种计算机视觉算法对图像和视频进行风格迁移,第一种是根据 Gatys 算法进行能量最小化的图像风格转移技术,针对图像中的规模和遮挡等问题提出了改进,第二种是将视频风格迁移建模为一个学习问题,使用深度学习网络和新的训练程序使其在几乎实时的情况下实现任意长度的视频稳定风格转移,最后还介绍了如何将这些方法应用于 360 度图像和视频。
Aug, 2017
本文提出了一种基于深度神经网络的算法,通过将图像的语义有意义的本地区域的艺术风格转移至目标视频的本地区域,同时保持其照片般的逼真性,并通过噪声和时间损失来优化视频的语义标签和平滑转换风格,最终实现一种能够自动生成视觉媒体的风格迁移方法。
Oct, 2020
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
本文介绍了第一种尝试进行立体神经风格转移的方法,该方法通过在非遮挡区域强制进行双向差异约束,使用新的差异损失将风格损失函数整合起来,通过联合训练风格化子网络和差异子网络提出了第一个前向网络,并将其扩展到立体视频,同时考虑时间相干性和差异一致性,该方法在定量和定性上明显优于基线算法。
Feb, 2018
将深度感知的神经风格迁移嵌入到三维渲染管线中作为游戏后期处理特效,通过定性和定量实验验证了提出的游戏内风格化框架在艺术风格化游戏场景中实现了时序一致的结果,优于最先进的图像和视频神经风格迁移方法。
Nov, 2023