用深度强化学习控制神经风格迁移
通过神经策略风格转移(NPST)算法,将样式从一个策略转移到另一个策略,同时保持后者的内容。在实验中,通过深度强化学习和逆向强化学习训练不同类型的策略,并利用三种不同的 Q 网络架构进行编码,并比较每种架构在实验中的结果。
Feb, 2024
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
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
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
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
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
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
我们的论文旨在学习一种视觉艺术风格的表示形式,该表示形式从语义内容中更强的解离出来,我们使用神经风格转换(NST)来测量和驱动学习信号,并在明确解离度量上实现了最先进的表示学习。我们表明,强调风格和内容的解离会在风格特定度量方面取得大量收益,编码较少的语义信息并在下游多模态应用中实现最先进的准确性。
Apr, 2023
该论文提出了一种新方法,可以通过一组手动可调参数在训练之后实时调整关键超参数,以使用户可以修改来自相同样式 / 内容图像对的合成输出,以寻找最喜欢的风格化图像。调整这些参数与用不同超参数重新训练模型相当,还演示了如何在保持风格和内容相似的情况下随机生成多样的结果。
Nov, 2018