提供了高效的无需训练的画家式图像协调（PIH）方法，称为 FreePIH，仅利用预训练的扩散模型实现最先进的协调结果。通过将降噪过程作为插件模块应用于前景图像的风格转移，以直接基于降噪实现协调，结合多尺度特征来保证协调图像的忠实度，并提高生成质量。

Nov, 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

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

该文提出了一种零样本图片和谐方法，该方法利用了人类长期对和谐图片的先验知识，并通过预训练的生成模型来实现先验，同时引入注意力约束文本来指导和谐方向，并设计一定的方法来保持前景内容结构。实验表明了该方法的有效性。

Jul, 2023

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

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。

Dec, 2023

本文提出了一种深度图像基于的照明和谐 GAN 框架 (DIH-GAN)，该框架通过应用多尺度注意机制和照明交换策略直接推断插入前景物体与相应背景场景之间的映射关系，同时使用对抗学习策略进一步优化照明和谐效果；通过综合实验验证了 DIH-GAN 在图像对象照明和谐编辑方面的实用和有效性，并证实了其在现有方法中的优越性。

Jul, 2021

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

给定一个复合图像，图像协调旨在调整前景照明与背景一致。我们展示了使用全局信息指导前景特征转换可获得显着改善，并将前景 - 背景关系从真实图像转移到复合图像，为转换的编码器特征提供中间监督。此外，我们贡献了一个模拟自然照明变化的 ccHarmony 数据集。对 iHarmony4 和我们贡献的数据集进行了大量实验证明了我们方法的优越性。

Aug, 2023

提出了一种全局感知的 Kernel 网络方法，它可以使用长距离背景参考全面地调整局部区域，从而更好地解决图像和谐化的问题。实验结果表明，该方法在图像和谐化方面表现出卓越性能。

May, 2023