Oct, 2023

运用时空方法改进动态增强 MRI 的风格转移

PDF
TL;DR在 DCE-MRI 中进行风格转换是一项具有挑战性的任务，由于不同组织和时间中对比度增强的大幅变化。本文提出了一种新方法，该方法结合了自编码器来解开内容和风格，并使用卷积 LSTMs 对时间中的预测潜空间进行建模，并使用自适应卷积来应对对比度增强的局部性质。通过提出一个考虑对比度增强的新度量方法来评估我们的方法，定性和定量分析表明所提出的方法在两个不同数据集上优于现有技术水平。
发现论文，激发创造
  • 分解的基于隐空间能量的风格转换：一种基于图像水平的结构磁共振图像协调框架

    设计了一种新颖的分离的基于潜在能量的风格翻译（DLEST）框架，用于未配对的图像级 MRI 协调，包括（1）无场地相关图像生成（SIG），（2）场地特定风格翻译（SST）和（3）场地特定 MRI 合成（SMS）。

    Feb, 2024

  • 通过对比学习增强领域任意图像风格转移

    本文提出一种使用深度对比学习的方法，通过学习图像特征来获得图像的样式表示，并使用生成网络进行样式转移。研究表明，相对于现有的基于二阶统计量的方法，这种方法能够更加有效地获取图像的样式信息并生成更好的结果。

    May, 2022

  • 风格迁移和自监督学习驱动的心肌梗死超分辨率分割

    该研究提出了一个流程，结合了一种新颖的风格转换模型和同时进行超分辨率和分割的模型，旨在提高扩散张量成像（DTI）图像通过将其转换成提供具有高分辨率和明显突出心肌梗塞（MI）区域的大量数据的晚期钆增强（LGE）领域。

    Sep, 2023

  • 关注感知的多笔画风格转移

    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

  • 区域控制的风格转换

    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

  • 实时高清风格迁移的风格感知内容损失

    该论文提出了一种基于 Style-aware Content Loss 的 Encoder-Decoder 网络，可实现实时、高分辨率的图像和视频样式化，能够更好地捕捉样式对内容的微妙影响。

    Jul, 2018

  • 学习动态风格核进行艺术风格转换

    本研究提出了一种新的、灵活的样式迁移方法，通过学习空间自适应卷积核来改进全局和局部特征交互，同时保留内容图像的细节结构，并且通过 Style Alignment Encoding (SAE) 和 Content-based Gating Modulation (CGM) 模块学习动态样式卷积核，极大地提升了视觉质量和效率。

    Apr, 2023

  • 用 Transformer 和对比学习重新思考任意风格转换

    本研究提出了一种创新技术，通过样式一致的实例归一化和基于实例的对比学习方法来改进生成的艺术风格图片的质量，引入感知编码器来捕获样式特征，实验证明该方法生成了高质量的艺术风格图片并有效地避免了伪影。

    Apr, 2024

  • 多样式图像字幕的样式感知对比学习

    本文提出了一种针对多风格图像字幕生成的样式感知对比学习的方法，该方法基于对潜在与风格相关的视觉内容的对比学习，提出了一个样式感知的视觉编码器以及三种检索方案。实验结果表明，该方法的性能达到了最先进水平。

    Jan, 2023

  • 基于对比学习的梯度导向无监督文本风格转换

    本文提出了一种基于对比学习范式的新型文本风格转换模型，通过明确收集相似语义句子和设计基于孪生模型的风格分类器，以解决文本样式转换中的内容迁移和样式歧义等问题。针对这些问题，实验结果表明，该模型比现有技术更加有效。

    Jan, 2022