AesFA:一种感知美学特征的任意神经风格迁移方法
计算机视觉与模式识别
2024-02-23 v3 人工智能
摘要
神经风格迁移(NST)近年来发展迅速。然而,尽管进展飞速,现有 NST 方法要么难以有效迁移参考图像中的美学信息,要么因使用预训练模型而在特征解耦方面计算成本高昂且效率低下。本工作提出了一种轻量而有效的模型 AesFA——感知美学特征的神经风格迁移方法。其核心思想是通过频率分解图像,以更好地从参考图像中解耦美学风格,同时以端到端方式训练整个模型,从而在推理阶段完全排除预训练模型。为提升网络提取更具区分性表征的能力并进一步提高风格化质量,本工作引入了一种新的美学特征:对比损失。大量实验与消融研究表明,该方法不仅在风格化质量上优于近期的 NST 方法,而且实现了更快的推理速度。代码公开于 https://github.com/Sooyyoungg/AesFA。
引用
@article{arxiv.2312.05928,
title = {AesFA: An Aesthetic Feature-Aware Arbitrary Neural Style Transfer},
author = {Joonwoo Kwon and Sooyoung Kim and Yuewei Lin and Shinjae Yoo and Jiook Cha},
journal= {arXiv preprint arXiv:2312.05928},
year = {2024}
}
备注
Accepted by AAAI 2024