Jul, 2023

DIFF-NST：用于可塑性神经风格迁移的扩散交错

PDF
TL;DR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。
neural style transferstyle transferdiffusion modelsdeformable style transferartistic controls
发现论文，激发创造
  • 基于特征分布：神经风格迁移的矩匹配方法

    本文旨在提高图像风格迁移的实现效果，通过将卷积神经网络中的样式解释为分布，利用机器学习中的 Central Moment Discrepancy（CMD）方法来更精确地匹配目标样式和输出图像的特征分布，从而更加准确地还原所期望的风格，并改善样式与语义图像内容的区分效果。

    Mar, 2021

  • 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

  • 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

  • 用深度强化学习控制神经风格迁移

    基于深度强化学习，我们提出了一种用于神经风格迁移任务的基于步骤的模型，能够控制风格化程度，同时在早期步骤中保留更多内容图像的细节和结构，在后期步骤中合成更多风格图案，具有较低计算复杂度。实验结果表明了我们方法的有效性和鲁棒性。

    Sep, 2023

  • 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

  • 计算机游戏的神经风格迁移

    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

  • 神经风格迁移的评估：综述

    神经风格迁移的评估方法和指标存在着不一致性和局限性，为了促进方法之间更有意义、更公平的比较，以及对研究结果的理解和解释的提升，我们提供了对现有评估技术的深入分析，并提出了标准化评估实践的建议。

    Jan, 2024

  • 基于双延迟 DDPG 的神经风格迁移用于机器人操纵器的共享控制

    提出了一种自定义的神经风格转移框架（NPST3），用于将一组风格转移到机器人操纵器的运动中，通过使用自动编码器定义目标机器人运动的内涵和风格，生成机器人控制策略，并通过引入训练过的风格来改变机器人的运动。在人类志愿者调查中，结果表明可以通过该方法将不同的风格传递给机器人。

    Feb, 2024

  • DiffStyler：基于扩散的局部图像风格转移

    DiffStyler 是一种新方法，通过利用基于 LoRA 的文本到图像扩散模型来实现高效且精确的任意图像风格转移，该方法结合了跨 LoRA 特征和注意注入的策略，旨在在内容保持和风格整合之间取得更和谐的平衡。

    Mar, 2024

  • 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