本文介绍了一种新型的样式注意力网络（SANet），它可以根据内容图像的语义空间分布有效、灵活地整合本地样式模式，并且通过新的身份损失函数和多层特征嵌入，使得该网络和解码器能够尽可能地保留内容结构，同时丰富样式模式，实验结果表明我们的算法能够实时地合成比现有算法产生更高质量的样式图像。

Dec, 2018

本文提出一种基于自我关注机制的多笔画风格迁移，通过使用自我关注机制来得出内容图像的关注热力图，并在不同的尺度下对内容特征和风格特征进行多样化笔画渲染，并加入柔性的特征融合策略来提高风格迁移的效果以及生成多笔画风格的图像。

Jan, 2019

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

本研究提出了一种新的美学增强的通用风格转移方法，通过引入美学鉴别器和美学感知的注意力机制，以及两阶段的训练策略和正则化方法，实现了对任意风格的艺术作品进行更加真实和美学的风格转移。

Aug, 2022

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

本文提出了一种多适应网络，它包括两个自适应模块和一个协同适应模块。该模型使用自适应模块分离内容和风格表示，并使用一种新的解缠结损失函数来提取主要的风格模式和确切的内容结构，根据各种输入图像进行相应的调整，这样能够更好地进行样式转移。实验证明，与现有的样式转移方法相比，提出的多适应网络可获得更好的结果。

May, 2020

该研究提出了一种基于 EPAAEs 的方法，通过在连续嵌入空间中添加一个可调整噪音组件来完善扰动模型，从而更好地聚类风格相似的句子，且在文本风格转移任务上表现优异，同时还将文本风格转移任务扩展到 NLI 数据集，并证明了该方法最适合学习具有更复杂风格的数据集。

May, 2022

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

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

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