May, 2024

StyleX: X 射线风格距离的可训练度量

PDF
TL;DR通过利用简单的 Siamese 学习，我们引入了一种基于深度学习的度量方法来量化不匹配图像对之间的风格差异，利用训练无需任何显式的风格距离知识的编码器生成 X 射线图像风格表征。实验结果表明，我们的方法能够提供有意义且区分性强的风格表征，并能够准确地量化非匹配图像对之间的风格距离，为引导式风格选择和图像流程参数自动优化提供了一种有前景的技术。
发现论文，激发创造
  • StyleShot: 任何风格的快照

    我们展示了在没有测试时间调整的情况下，良好的风格表示对于广义风格转移至关重要和充分。我们通过构建一个风格感知编码器和一个名为 StyleGallery 的组织良好的风格数据集来实现这一点。通过专门设计的风格学习方法，该风格感知编码器被训练用于提取具有解耦训练策略的富有表现力的风格表示，而 StyleGallery 则实现了泛化能力。我们进一步使用内容融合编码器来增强基于图像的风格转移。我们强调，我们的方法名为 StyleShot，简单而有效，可以模仿各种期望的风格，即 3D、平面、抽象甚至细粒度的风格，而无需测试时间调整。经过严格的实验证明，与现有的最先进方法相比，StyleShot 在各种风格上都实现了卓越的性能。

    Jul, 2024

  • StyTr$^2$: 使用 Transformer 进行图像风格转移

    提出了一种基于 transformer 的 StyTr$^2$ 方法，用于实现图像风格转移的长程依赖，介绍了一种适用于该任务的内容感知的位置编码（CAPE），并通过定量实验表明其效果优于现有的基于 CNN 和流计算的方法。

    May, 2021

  • StyleM: 基于对比 N-grams 构建的图像字幕风格化度量

    本文提出了两个用于评估机器生成的标题和真实风格化标题之间关联的自动评估度量标准：OnlyStyle 和 StyleCIDEr。

    Jan, 2022

  • 运用时空方法改进动态增强 MRI 的风格转移

    在 DCE-MRI 中进行风格转换是一项具有挑战性的任务，由于不同组织和时间中对比度增强的大幅变化。本文提出了一种新方法，该方法结合了自编码器来解开内容和风格，并使用卷积 LSTMs 对时间中的预测潜空间进行建模，并使用自适应卷积来应对对比度增强的局部性质。通过提出一个考虑对比度增强的新度量方法来评估我们的方法，定性和定量分析表明所提出的方法在两个不同数据集上优于现有技术水平。

    Oct, 2023

  • 实时高清风格迁移的风格感知内容损失

    该论文提出了一种基于 Style-aware Content Loss 的 Encoder-Decoder 网络，可实现实时、高分辨率的图像和视频样式化，能够更好地捕捉样式对内容的微妙影响。

    Jul, 2018

  • 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

  • Style Transformer: 无需分解潜变量的非配对文本风格转移

    本文提出 Style Transformer，它结合了注意力机制和变形器模型，可以更好地处理文本风格转移和内容保存的问题。

    May, 2019

  • 用于可控图像翻译的风格感知鉴别器

    本文提出了使用原型自监督学习控制风格关注的鉴别器，同时作为评论家和风格编码器来提供条件，以缓解现有图像到图像转换中标签不考虑语义距离所导致输出域控制和插值问题，并基于此进行风格插值，内容移植和局部图像转换。

    Mar, 2022

  • 实用人员再识别的深度度量学习

    本研究介绍了一种使用深度神经网络学习图像相似度度量的方法，该方法采用 “连体” 结构体系，可以统一学习颜色特征、纹理特征和度量。论文还比较了不同数据集上训练和测试结果，结果表明该方法在人员再识别方面性能显著优于现有方法。

    Jul, 2014

  • StEP：面向多模态图像合成的基于 Style 的编码器预训练

    该研究提出了一种新的多模态图像到图像翻译的方法，通过风格预训练、学习低维的风格潜空间等手段，简化损失函数、提高风格捕获和转移的逼真度，最终在六个挑战性数据集上取得了最先进的结果。

    Apr, 2021