本文提出了一种新的双向学习框架用于3D场景风格化，结合2D图像风格化网络和NeRF，并引入了一种一致性损失函数来迁移NeRF的一致性先验知识到2D风格化网络中。实验结果表明，这种方法在视觉质量和长程一致性方面优于现有方法。

May, 2022

本研究提出了一种基于神经辐射场的三维场景风格化方法，采用新的训练方法，交替进行3D场景和风格化优化步骤，从而应用更加表现力的图像风格转移方法，生成高质量的具有交叉视角一致性的新视角图片。

Jul, 2022

本文提出了NeRF-Art，一种基于文本引导的NeRF风格化方法，采用新型的全局-局部对比学习策略和方向约束相结合的方法来实现同时控制目标样式的轨迹和强度的几何和外观变化，并采用一种重量正则化方法来抑制产生云状伪影和几何噪点的情况。

Dec, 2022

本文提出了一种名为MM-NeRF的新颖多模态引导的3D多风格迁移方法，通过投影多模态引导到CLIP空间并提取多模态风格特征来指导多风格的风格化，同时使用多头学习方案（MLS）解决了多风格迁移的不一致性和提升了风格化的质量。

Sep, 2023

通过使用神经辐射场（NeRF）和网格光栅化的混合框架，我们提出了一种解决3D面部风格迁移问题的方法，该方法能够在保持高质量几何重建的同时实现快速渲染，并且具有灵活的风格控制。

Nov, 2023

通过理论分析和实验，本研究展示了扩散模型在零样式转换的有效性和优越性，并引入了交叉注意力重排策略，使样式信息能够直接提取并无缝集成到内容图像中。

Nov, 2023

我们提出了ArtBank，一种新颖的艺术风格转换框架，旨在生成高度逼真且保留内容结构的风格化图像。通过设计可训练的参数矩阵集合-隐式风格提示库（ISPB），从艺术作品的集合中学习和存储知识，作为视觉提示，指导预训练大规模模型生成高度逼真的风格化图像，同时保留内容结构。此外，我们提出了一种基于空间统计的自注意力模块（SSAM），加速训练ISPB。定性和定量实验证明了我们提出的方法优于现有的艺术风格转换方法。

Dec, 2023

基于预训练大规模扩散模型的一种新的艺术风格转换方法，通过操作自注意力层的特征作为交叉注意力机制的方式，实现样式的传递和内容的保留，并解决原始内容的破坏和样式颜色不协调的问题，证明在传统和基于扩散的风格转换基准测试中超越了现有方法。

Dec, 2023

本研究解决了现有神经辐射场（NeRF）在3D风格迁移中需进行每场景优化的问题，提升了其适用性和效率。通过引入可泛化的NeRF模型与超网络，我们实现了在不同场景中无需场景特定模型就能生成风格化新视图的能力。研究表明，该方法在视觉质量上与逐场景方法相当，同时显著提高了效率和适用性，标志着3D风格迁移领域的一大进展。

Aug, 2024

本研究解决了现有风格迁移方法在内容和风格之间平衡不足的问题。我们提出了一种新颖的无训练方法，通过将文本嵌入与空间特征相结合，并分开注入内容和风格，从而改善风格迁移效果。实验表明，该方法在实现平衡和可控的风格迁移结果方面表现出色，并具有扩展到其他任务的潜力。

Oct, 2024