提出了一种具有更高 3D 风格转移质量的 StyleRF 技术，该技术在辐射场的特征空间内进行样式转换，实现了准确的几何重建、高质量的风格化和具有拓展性的任意新样式的生成。

Mar, 2023

该论文提出了一种将任意风格图像的艺术特征传输到 3D 场景中的方法，采用了更为鲁棒的辐射场表示进行运算并通过最近邻法进行损失计算，同时采用一种新的延迟反向传播方法进行内存密集的辐射场优化，改善了以往的技术。

Jun, 2022

我们提出了一种从任意图像向 3D 场景中的物体转移风格的方法，旨在通过最近邻损失的运用实现更加可定制和风格化的场景图像创作，并确保多视角一致性。

Sep, 2023

本研究基于场景重建的网格应用风格转移技术，让用户能够在虚拟现实中欣赏以喜欢的艺术家绘画风格来呈现的三维环境。研究通过对场景网格的纹理进行优化并从所有可用的输入图像上共同进行风格化，实现了一致性和稳定性风格化表现。

Dec, 2021

提出了一种基于优化的 “可变形风格转移” 方法，可以联合处理内容图像的几何形状和纹理来更好地匹配风格图像，并且不需要训练一整个匹配的样本数据集。

Mar, 2020

ARF-Plus 是一种 3D 神经风格转换框架，通过四个不同类型的控制，即颜色保持、比例、空间和深度增强控制，成功实现了对感知因素的可控性，从而实现了在 3D 场景风格化过程中的自定义修改、灵活融合和创建新颖而引人注目的风格效果。

Aug, 2023

StyleDyRF 是一种处理动态场景的 4D 样式转移方法，通过变形规范特征体积并使用数据驱动的方式学习线性样式转换矩阵，从而在零样本的情况下生成 4D 逼真的样式转移结果，并在视觉质量和一致性方面优于现有方法。

Mar, 2024

本文介绍了一个用于一次性 3D 肖像样式转移的框架，可以在仅需要一幅不同样式图像的情况下，生成具有几何和纹理风格的 3D 面部模型，而不是一整套相关样例。本文探索了两个阶段，以利用三位面部关键点转换来捕捉粗略的几何样式，并利用差分渲染器，在多视角框架下 对规范纹理进行样式转移。实验表明，我们的方法在不同的艺术风格上取得了稳健的结果，并优于现有的方法。

Apr, 2021

研究应用深度信息与 RGB 图像的热力图在风格迁移中，提出了一种新的方法，通过与传统神经网络的比较，发现其实现更为真实的图像。该方法可应用于各种计算机视觉应用中，以产生更逼真的图像。

May, 2023

本文提出了一种针对三维场景的逼真风格转移框架，可以通过 2D 样式图片实现 3D 场景的逼真样式转移，并使用波束特征优化三维场景并联合优化高层次网络，以实现任意风格图片的场景逼真样式转移，并证明该方法在视觉质量和一致性方面优于现有方法。

Aug, 2022