肖像风格化:人脸风格化的辅助网络艺术风格转换
本文提出一种方法,将艺术风格的神经算法的灵活性与快速风格转移网络的速度相结合,利用任意内容 / 风格图像对进行实时样式化。通过学习直接从样式图像预测条件实例归一化参数,在多风格转移网络中使用条件实例归一化对最近工作进行了改进。该模型成功地在大约 8 万幅绘画作品上进行了训练,并能够推广到以前未观察到的作品。我们证明,学习到的嵌入空间是平滑的,并在整个非监督学习过程中包含了与绘画相关的丰富结构和组织语义信息。
May, 2017
我们提出了一种面部姿态感知和风格转换(Face-PAST)网络,它在生成高质量的风格化图像的同时保留面部细节和结构。通过使用预训练的风格生成网络和残留调制块而非变换编码块,以及利用门控映射单元和面部结构、身份和分割损失来保留面部结构和细节,我们的网络能够用非常有限的数据进行训练。我们的训练过程采用课程学习策略来在生成空间中进行高效灵活的风格混合。通过广泛的实验证明了我们的 Face-PAST 方法相较于现有最先进的方法的优越性。
Jul, 2023
提出了一种多模态卷积神经网络的方案,本方案可以在多个尺度上处理风格和纹理提示,从而将艺术风格转移应用到常规照片上,平均效率也高于当前市场上其他方法。
Nov, 2016
本文介绍了一个用于一次性 3D 肖像样式转移的框架,可以在仅需要一幅不同样式图像的情况下,生成具有几何和纹理风格的 3D 面部模型,而不是一整套相关样例。本文探索了两个阶段,以利用三位面部关键点转换来捕捉粗略的几何样式,并利用差分渲染器,在多视角框架下 对规范纹理进行样式转移。实验表明,我们的方法在不同的艺术风格上取得了稳健的结果,并优于现有的方法。
Apr, 2021
本文介绍了一种利用 Residual U-net 和 AC-GAN 将绘画风格应用于黑白漫画草图的自动快速实现方法。实验结果显示,该方法不仅在艺术风格的质量上表现出色,而且在上色方面也能取得非常好的效果。
Jun, 2017
在本文中,我们引入了一种新颖的一阶段面部恢复年轻化方法,并结合肖像风格转换,在单个生成步骤中执行。我们利用现有的面部恢复年轻化和风格转换网络,两者均在相同的 PR 领域内进行训练。我们的方法独特地融合了不同的潜在向量,每个向量负责管理与年龄相关的属性和 NPR 外观。采用示例为基础的方法,我们的方法比领域级精调方法提供了更大的灵活性,这些方法通常需要针对每个领域进行单独训练或精调。我们的实验表明,我们的模型可以轻松生成年轻化的图像,同时保持示例的风格,保持自然外观和可控性。
Feb, 2024
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
本文提出了一种基于 PhotoNet 和神经架构搜索的相机级画风快速迁移算法,在保持细节保留和逼真性的同时,相比当前最先进的方法可以实现 20-30 倍的加速,而无需进行预处理或后处理。
Dec, 2019
本文提出了一个有效的 Avatar-Net 模型,通过 semantically aligned style features 和 multi-scale style abstractions 两种方法,实现了任意风格的实时多尺度图像样式迁移。
May, 2018