该研究提出了一种新颖的画风图像融合网络，由双域生成器和双域判别器组成，通过在空间域和频率域中使用 AdaIN 模块和 ResFFT 模块，进行融合并在拒绝感知机制中优化结果，在基准数据集上进行了广泛的实验并表明了该方法的有效性。
Dec, 2022
在这项研究中，我们探索了从艺术画中学习绘画图像的目标样式，以实现绘画图像的协调处理。通过学习背景风格和对象信息到对象样式的映射，我们能够生成目标风格的复合对象，进而协调编码器特征图并生成协调图像。对基准数据集的广泛实验验证了我们提出的方法的有效性。
Dec, 2023
我们提出了一个新颖的 Painterly Harmonization stable Diffusion model (PHDiffusion)，通过自适应编码器和双编码器融合模块，实现了更好地插入摄影物体到绘画中并获得艺术上一致的复合图像，能更充分地风格化前景并同时保留更细的内容。
Aug, 2023
绘画风格图像协调网络通过渐进的多阶段协调网络，从低级样式（如颜色、简单纹理）到高级样式（如复杂纹理），将摄影前景对象与绘画背景协调起来，并通过早期退出策略自动决定适当的退出阶段，以提高解释性和协调性能。在基准数据集上进行的大量实验证明了渐进协调网络的有效性。
通过使用预先训练的分类网络，提出了一种新的体系结构来利用高级特征空间以实现图像和谐的目的，并在图像和谐基准测试中取得了 MSE 和 PSNR 指标的最新成果。
Jun, 2020
图像协调的目标是调整复合图像中前景的外观，使整个图像协调一致。我们通过探索可学习的增强方法，丰富小规模数据集的光照多样性，以提升协调性能。实验表明，我们提出的可学习增强方法对图像协调具有有效性。
该论文提出了一种用于图像融合的端到端深度卷积神经网络，通过收集大规模高质量的训练数据，能够更好地捕捉复合图像的背景和前景的上下文和语义信息，实验表明，所提出的网络优于以往的方法。
Feb, 2017
本研究介绍了一种在内在图像领域中制定的自我监督照明协调方法，通过估计中级视觉表征生成的大体阴影，再通过网络对其进行修正以生成与背景场景一致的协调再阴影，结合先前协调方法的思想，在色调域中执行参数化图像编辑，实现前景与背景的颜色外观匹配，并通过挑战性实际复合结果和用户研究验证我们方法的有效性和与最先进的协调方法相比增强的真实感。
本文提出了一种基于深度学习的图像和谐方法，通过引入基于区域的自适应实例归一化 (RAIN) 模块，实现了前景与背景之间的视觉风格一致，并且在现有数据集上进行了大量实验验证，提出的方法具有很高的应用价值。
Jun, 2021
本研究提出了一种高分辨率图像融合网络，其中结合了像素到像素变换和 RGB 到 RGB 变换，通过低分辨率像素生成器、颜色映射模块和细化模块进行协同工作，旨在解决高分辨率图像合成中的多个问题，且效果明显。
Sep, 2021