ALADIN 是一种基于样式相似度搜索图像的新型架构，其利用 BAM-FG 数据集进行了微弱监督学习，实现了对数码艺术品的细粒度样式相似性表示，成为了针对基于风格的视觉搜索的最新标杆。

Mar, 2021

通过提取样式描述符来将生成图像的风格归属于用于训练文本生成图像模型的图像，并展示了在各种样式检索任务中有希望的结果。

Apr, 2024

本研究提出了 StyleBabel 数据集，包括超过 135K 的数字艺术作品的自然语言标题和描述艺术风格的自由表单标签；通过一种基于 Grounded Theory 的迭代方法进行收集，使用 ALADIN 架构 + Visual Transformer (ViT) 和跨模态表示学习进行 fine-grained style 检索，从而实现了自由形式标记的生成、自然语言描述艺术风格以及精细化文本搜索等多样化的样式特征任务。

Mar, 2022

我们提出了一个新颖的多领域艺术品合成框架，通过语义布局生成艺术作品。我们还提出了一种名为 ArtSem 的数据集，包含 40,000 张不同领域的艺术品图像及其对应的语义标签地图。利用条件生成对抗网络（GAN），我们在不需要成对训练数据的情况下，从语义地图生成高质量的艺术品。我们的模型能够学习样式和语义信息的结合表示，从而提高生成艺术图像的质量。通过结合数据集和方法，我们能够生成用户可控的高质量艺术作品。

Aug, 2023

本研究提出了一种半监督的小苹果检测系统 (S^3AD)，通过利用大型高分辨率数据集 MAD，基于上下文关注和选择性平铺的方法，解决了水果检测中小型水果检测的困难，同时限制了计算开销，并在评估中表现出了明显优势。

Nov, 2023

本研究提出了一种计算机视觉系统的方法，用于无需有标签的数据来识别艺术图像中的物体，通过域适应和样式转移等技术来实现，无需大量的目标数据即可进行跨域对象识别及场景分类。

Dec, 2018

本研究探讨了计算机视觉中图像风格对于图像感知的影响，通过使用多层网络训练得出最佳效果的图像特征进行分类，并成功将这些分类器扩展到 tag-based image search 中，以提高搜索的效果。

Nov, 2013

本文研究复杂的图像语义分割中的合成到真实领域的问题，提出一种基于 SHADE 框架的新方法，其中包括使用一些连续性约束来保持模型学习到的属性之间的一致性，并利用样式幻化模块产生样式多样化的数据集以平衡域间差异。实验结果表明，该方法在单源和多源设置下，在三个真实数据集上平均提升了 5.05％和 8.35％。

Apr, 2022

设计了两个新的基准数据集，DailyFood-172 和 DailyFood-16，用于评估将在精心策划的食品图像领域训练的方法转移到日常生活食品图像领域的可行性，并提出了一种名为 MCRL 的简单而有效的基线方法来解决领域差距问题。

Mar, 2024

本文提出单源域泛化的两步法框架来克服领域差距，使用对抗性样式和样式混合机制，以实现具有一致性表现的领域广义语义分割算法。

Feb, 2022