AAAIDec, 2023

AesFA：一种美学特征感知的任意神经风格迁移

PDF
TL;DR该研究提出了一种轻量级但有效的模型，名为 AesFA，用于从参考图像中更好地解离美学风格，并通过在整个模型中进行端到端训练来完全排除预训练模型进行推理。为了改进网络提取更明显的表示和进一步增强风格化质量，该研究还引入了一种新的美学特征：对比损失。大量的实验证明，该方法在风格化质量方面不仅优于最近的神经风格转换方法，而且实现了更快的推理速度。
neural style transferaesthetic informationcomputational costsfeature disentanglementcontrastive loss
发现论文，激发创造
  • 有条件的对抗神经艺术风格转移

    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

  • AesUST: 朝着美学增强的通用风格转移

    本研究提出了一种新的美学增强的通用风格转移方法，通过引入美学鉴别器和美学感知的注意力机制，以及两阶段的训练策略和正则化方法，实现了对任意风格的艺术作品进行更加真实和美学的风格转移。

    Aug, 2022

  • ALADIN-NST: 基于神经风格转换的自监督解缕编码学习艺术风格

    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

  • 提高任意风格迁移的风格感知归一化损失

    本文研究神经风格转换中不平衡风格转移的问题，提出了一种解决方案，通过提出新的 Loss function 在理论分析和实验结果中证明其有效性，提高风格欺骗率和人类评估的偏好度。

    Apr, 2021

  • EFANet: 可交换特征对齐网路用于任意风格转换

    本研究提出了一个称为 EFANet 的新型转换框架，它考虑交换特征并分析内容和样式图像对提取的特征进行更好的对齐，以实现更好的结构化风格化结果，并开发了一种新的白化损失来净化计算出的内容特征并更好地融合特征空间中的样式。定量和定性实验都证明了我们方法的优越性。

    Nov, 2018

  • NeAT：用于美丽风格转换的神经艺术追踪

    本文介绍了 NeAT，一种新的前馈风格转移方法，将前馈风格转移重新定义为图像编辑而不是图像生成，以在保留源内容和匹配目标风格方面改进最新技术。在介绍 BBST-4M 数据集的同时，提出了一种新的模型，用于对图像进行风格分类，并使用该数据集将 NeAT 的推广和衡量提高到了另一个水平。NeAT 不仅在质量和推广方面处于最新状态，而且针对高分辨率的快速推断进行了设计和训练。

    Apr, 2023

  • 神经风格迁移：综述

    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

  • 神经元邻居风格迁移

    本文介绍了神经邻域风格迁移（NNST）方法，通过替换从风格示例图像中提取的神经特征，以及基于这些重新排列的特征合成最终输出，从而显著提高了最终视觉质量。

    Mar, 2022

  • 神经架构搜索实现的超快照片真实风格转移

    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

  • AesPA-Net: 美学模式感知风格转换网络

    通过优化注意机制和捕捉样式模式的节奏，我们引入了一种称为模式可重复性的新指标，基于它，我们提出了能够发现局部和全局样式表达的 AesPA-Net，并引入了一种新的自监督任务和补丁级样式损失来实现完美的艺术风格迁移，通过定性和定量评估验证了模式可重复性的可靠性，并展示了所提出框架的优越性。

    Jul, 2023