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

本文提出了一种基于单张画作的有学习能力的文字描述的艺术风格逆推算法（InST），能够高效地捕捉并转移绘画作品的艺术风格，且经过在多个艺术家和艺术风格的多幅画作上测试验证了其质量和效率。

Nov, 2022

该论文综述了一种使用卷积神经网络（CNN）进行风格转换的新技术，通过利用 CNN 学习的深层图像表征，实现了分离和操作图像内容和风格的能力，从而合成了以和谐方式结合内容和风格的高质量图像。

Oct, 2023

利用深度学习方法，基于文本描述生成了模仿明代园林画风格的园林画。

Nov, 2023

通过结合中国书法生成和图像修复的最新技术，引入了一个名为 CalliPaint 的模型，可以产生令人信服的中国书法作品。

Dec, 2023

本文提出了 Calliffusion 系统，采用扩散模型生成高质量的中文书法，实现了五种不同字形和著名书法家风格模拟，实验证明，模型生成的书法难以与真实艺术品区分，并使用 LoRA 进行单张迁移学习，将中文书法艺术风格转移到未知字符、甚至英文字母和数字。

May, 2023

提出了 DLP-GAN，一种基于不对称循环映射的跨域图像转换框架，引入了一个基于密集融合模块的生成器以匹配不同的转换方向，并提出了一种双一致性损失用于平衡模型画作的真实感和抽象性，实现了现代意义上的山水照片和素描绘制。通过与其他基准方法比较，基于我们的现代山水和素描数据集，进行了大量实验证明我们的模型优于现有方法。

Mar, 2024

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

本文提出了一种新概念，即通过手动制作像素标签或使用现有解决方案进行语义分割，将生成式架构与语义注释相结合，从而增强生成算法的内容感知性，提高生成的图像质量，避免常见的故障，并扩展这些算法的功能范围。

Mar, 2016

本文介绍一种名为 DualStyleGAN 的新型神经网络，可用于基于范例的高分辨率肖像风格迁移，实现原始面部领域和艺术肖像领域的双重风格控制，并通过一种新型的渐进微调机制使其能够精确拼贴风格示例。实验证明其在高质量肖像风格转换和灵活的样式控制方面优于现有方法。

Mar, 2022