Jan, 2024

HiCAST：基于适配器增强扩散模型的高度定制任意风格转换

PDF
TL;DR提出了一种名为 HiCAST 的新的任意风格迁移方法，能够根据各种语义线索显式地定制风格化结果，包括了 Latent Diffusion Model 的条件式构建、引入 Style Adapter 进行风格灵活操作以及视频 AST 的拓展，经定性和定量比较以及综合用户研究表明，我们的 HiCAST 在生成视觉上合理的风格化结果方面优于现有方法。
arbitrary style transferhicaststylistic customizationlatent diffusion modelvideo stylization
发现论文，激发创造
  • ArtFusion：使用双条件潜扩散模型进行任意风格转移

    ArtFusion 提出一种新方法，使用 Dual-cLDM，通过单图像在模型训练期间同时保留内容和风格，提高多样性。

    Jun, 2023

  • 通过稳定扩散的步态感知和层级感知提示实现高度逼真的艺术风格转换

    提出了一种名为 LSAST 的新型基于预训练扩散的艺术风格转换方法，能够生成高度逼真的艺术化风格图像，并在保留输入图像的内容结构方面表现出较好的效果，而不引入明显的伪影和不协调的风格图案。

    Apr, 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

  • MicroAST：超快超分辨率任意风格迁移

    本论文提出了一种称为 MicroAST 的新型超快速任意风格迁移模型，基于两个微型编码器和一个微型解码器，并引入了一种新的风格信号对比损失以提高风格编码器的处理能力。与现有方法相比，MicroAST 在速度和模型大小上的优势显著，首次实现了在 4K 超高清分辨率下的 0.5 秒超速任意风格迁移。

    Nov, 2022

  • 语言驱动的图像风格迁移

    引入了一个新的任务，即以语言为驱动的艺术风格转移（LDAST），通过文本引导操纵内容图像的风格，所提出的对比语言视觉艺术家（CLVA）可以从风格指令中提取视觉语义并通过分块风格鉴别器实现 LDAST。

    Jun, 2021

  • 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

  • Style-A-Video：任意文本视频样式转移的敏捷扩散

    这篇文章提出了一种称为 Style-A-Video 的零样式迁移视频美化方法，利用生成式预训练转换器和图像潜在扩散模型，改善图像降噪过程的指导条件，从而在艺术表达和结构保护之间建立平衡，并采用采样优化和时间一致性模块，以达到优秀的内容保护和风格性能。

    May, 2023

  • 样式注入在扩散中：适应大规模扩散模型进行风格转换的无训练方法

    基于预训练大规模扩散模型的一种新的艺术风格转换方法，通过操作自注意力层的特征作为交叉注意力机制的方式，实现样式的传递和内容的保留，并解决原始内容的破坏和样式颜色不协调的问题，证明在传统和基于扩散的风格转换基准测试中超越了现有方法。

    Dec, 2023

  • 基于扩散模型的倒置式风格迁移

    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

  • 任意风格的快速基于块的风格转移

    本文提出了一种基于局部匹配和卷积神经网络的简单优化目标，该目标可以在保持效率的同时，产生艺术风格迁移的高品质结果。同时，本文结合内容结构和风格纹理，利用预训练网络的单层来实现该目标，并且使用 80,000 张自然图像和 80,000 张绘画进行反向优化网络的训练，这使得整个算法支持任意图像进行迁移。

    Dec, 2016