Feb, 2024

神经策略风格转化

PDF
TL;DR通过神经策略风格转移（NPST）算法，将样式从一个策略转移到另一个策略，同时保持后者的内容。在实验中，通过深度强化学习和逆向强化学习训练不同类型的策略，并利用三种不同的 Q 网络架构进行编码，并比较每种架构在实验中的结果。
style transferdeep reinforcement learningneural policy style transferdeep q-network architecturesinverse reinforcement learning
发现论文，激发创造
  • 基于双延迟 DDPG 的神经风格迁移用于机器人操纵器的共享控制

    提出了一种自定义的神经风格转移框架（NPST3），用于将一组风格转移到机器人操纵器的运动中，通过使用自动编码器定义目标机器人运动的内涵和风格，生成机器人控制策略，并通过引入训练过的风格来改变机器人的运动。在人类志愿者调查中，结果表明可以通过该方法将不同的风格传递给机器人。

    Feb, 2024

  • 用深度强化学习控制神经风格迁移

    基于深度强化学习，我们提出了一种用于神经风格迁移任务的基于步骤的模型，能够控制风格化程度，同时在早期步骤中保留更多内容图像的细节和结构，在后期步骤中合成更多风格图案，具有较低计算复杂度。实验结果表明了我们方法的有效性和鲁棒性。

    Sep, 2023

  • 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

  • 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

  • 计算机游戏的神经风格迁移

    将深度感知的神经风格迁移嵌入到三维渲染管线中作为游戏后期处理特效，通过定性和定量实验验证了提出的游戏内风格化框架在艺术风格化游戏场景中实现了时序一致的结果，优于最先进的图像和视频神经风格迁移方法。

    Nov, 2023

  • 深度照片风格转移

    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

  • 文本风格转换：探索与评估

    本文提出使用对抗网络以学习分离内容表示和风格表示的方法来解决自然语言处理中的样式转移问题，并提出了新的评估指标来测量样式转移的转移强度和内容保留。作者在文章 - 新闻标题转移和正面 - 负面评论转移两个任务上评估了模型和指标，结果表明，所提出的模型的样式转移强度和内容保留得分比自动编码器更高，内容保留度指标与人类判断高度相关。

    Nov, 2017

  • 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

  • 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