- IJCAI通过稳定扩散的步态感知和层级感知提示实现高度逼真的艺术风格转换
提出了一种名为 LSAST 的新型基于预训练扩散的艺术风格转换方法,能够生成高度逼真的艺术化风格图像,并在保留输入图像的内容结构方面表现出较好的效果,而不引入明显的伪影和不协调的风格图案。
- 样式注入在扩散中:适应大规模扩散模型进行风格转换的无训练方法
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。
- AAAIArtBank: 利用预训练扩散模型和隐式风格提示库实现艺术风格转换
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 - 卷积神经网络艺术风格迁移的生成式 AI 模型
该论文综述了一种使用卷积神经网络(CNN)进行风格转换的新技术,通过利用 CNN 学习的深层图像表征,实现了分离和操作图像内容和风格的能力,从而合成了以和谐方式结合内容和风格的高质量图像。
- 使用深度生成模型进行中国画风迁移
我们研究和利用不同最新的深度生成模型进行中国传统绘画风格迁移,并定性与定量评估其性能。此外,我们还提出了结合多种风格迁移模型的算法,用于将中国传统绘画风格(工笔和水墨)应用于自然物体、肖像和风景等现代图像。
- MMTSSAT: 艺术风格转换的两阶段统计感知变换
通过模拟人类绘画过程,提出了两阶段统计感知转换(TSSAT)模块来改善艺术风格迁移的效果,并引入了基于注意力的内容损失和基于补丁的风格损失来增强内容和风格的表示。大量的定性和定量实验证实了我们方法的有效性。
- InfoStyler:艺术风格转换中的解缠信息瓶颈
我们提出了一种名为 InfoStyler 的新颖信息分解方法,通过消除内容图像中的样式统计数据和去除样式图像中的内容结构,捕获了内容和样式表示的最小充分信息。此外,为了进一步促进信息分解学习,我们提出了一种跨域信息瓶颈学习策略,通过重建内容 - ICCVAesPA-Net: 美学模式感知风格转换网络
通过优化注意机制和捕捉样式模式的节奏,我们引入了一种称为模式可重复性的新指标,基于它,我们提出了能够发现局部和全局样式表达的 AesPA-Net,并引入了一种新的自监督任务和补丁级样式损失来实现完美的艺术风格迁移,通过定性和定量评估验证了模 - FastCLIPstyler: 使用样式表示进行无需优化的基于文本的图像风格转移
通过使用文本输入代替语言风格参考图像的方式,创建一种通用的文本样式转移网络,能够在单次前向传递中对任意文本输入进行图像样式化处理,能够比 CLIPstyler 快约 1000 倍,且消除了一些不必要的图像失真问题,并可选用微调步骤以提高生成 - 神经元邻居风格迁移
本文介绍了神经邻域风格迁移(NNST)方法,通过替换从风格示例图像中提取的神经特征,以及基于这些重新排列的特征合成最终输出,从而显著提高了最终视觉质量。
- ICCVDRB-GAN:一种用于艺术风格迁移的动态 ResBlock 生成对抗网络
该论文提出了一种基于动态 ResBlock GAN 的艺术风格迁移方法,使用同一组动态 ResBlock 实现了风格编码和风格转换网络,通过集合样式条件鉴别器实现了任意风格和集合风格迁移,实验结果证明了该方法的卓越表现和高效性。
- ECCV语言驱动的图像风格迁移
引入了一个新的任务,即以语言为驱动的艺术风格转移(LDAST),通过文本引导操纵内容图像的风格,所提出的对比语言视觉艺术家(CLVA)可以从风格指令中提取视觉语义并通过分块风格鉴别器实现 LDAST。
- CVPR用于快速高质量的艺术风格转换的拉普拉斯金字塔网络的草稿和修订
介绍了一种名为 LapStyle 的新型前馈方法,使用分层拉普拉斯金字塔网络来迁移全局风格模式并修正局部细节,同时添加了一个修补判别器以更好地学习局部模式,实验证明我们的方法能够以实时生成高质量的艺术风格图像。
- MM多画家风格转移的各向异性描边控制
提出了一种 Stroke Control Multi-Artist Style Transfer 框架,为实现多艺术家风格转移设计了多条件单生成器结构和 Anisotropic Stroke Module, 并使用 Multi-Scale - AAAIMetaStyle: 神经风格迁移中速度、灵活性和质量的三方面权衡
我们提出了 MetaStyle 方法,将神经风格迁移公式化为双层优化问题,并结合学习和后处理更新步骤,使其适应快速逼近模型,从而实现高质量的任意艺术风格转移,并在速度,灵活性和质量之间取得了良好的平衡。
- 可调实时风格迁移
该论文提出了一种新方法,可以通过一组手动可调参数在训练之后实时调整关键超参数,以使用户可以修改来自相同样式 / 内容图像对的合成输出,以寻找最喜欢的风格化图像。调整这些参数与用不同超参数重新训练模型相当,还演示了如何在保持风格和内容相似的情 - 快速任意风格迁移的线性变换学习
本研究提出了一种基于前向网络学习转换矩阵的任意风格转换方法,该方法高效且具有灵活组合多级风格的能力,同时保持风格转移过程中的内容亲和性,成功应用于艺术风格转换、视频和照片逼真的风格转换以及领域适应等四种任务,并与最先进的方法进行了比较。
- CVPRAvatar-Net: 特征修饰的多尺度零样式转移
本文提出了一个有效的 Avatar-Net 模型,通过 semantically aligned style features 和 multi-scale style abstractions 两种方法,实现了任意风格的实时多尺度图像样式迁 - 任意风格的快速基于块的风格转移
本文提出了一种基于局部匹配和卷积神经网络的简单优化目标,该目标可以在保持效率的同时,产生艺术风格迁移的高品质结果。同时,本文结合内容结构和风格纹理,利用预训练网络的单层来实现该目标,并且使用 80,000 张自然图像和 80,000 张绘画 - 神经艺术风格迁移中颜色保留
本文提出一种基于神经网络的艺术风格迁移算法的扩展,实现了在保留颜色的前提下,将一张图像的风格转移到另一张图像上。