ALADIN-NST：通过神经风格迁移进行艺术风格自监督解耦表示学习
计算机视觉与模式识别
2023-08-21 v2
摘要
表示学习旨在以紧凑且具描述性的形式发现领域中的个体显著特征，从而强烈标识给定样本相对于其领域的独特属性。视觉风格表示文献中的现有工作已尝试在训练中显式将风格与内容解耦。二者间的完全分离尚待充分实现。我们的论文旨在学习一种与图像所描绘语义内容更强解耦的视觉艺术风格表示。我们使用 Neural Style Transfer (NST) 度量并驱动学习信号，并在显式解耦指标上取得最先进的表示学习。我们表明，强力处理风格与内容的解耦可带来风格特定指标上的大幅提升，编码远更少语义信息，并在下游多模态应用中取得最先进准确率。
引用
@article{arxiv.2304.05755,
title = {ALADIN-NST: Self-supervised disentangled representation learning of artistic style through Neural Style Transfer},
author = {Dan Ruta and Gemma Canet Tarres and Alexander Black and Andrew Gilbert and John Collomosse},
journal= {arXiv preprint arXiv:2304.05755},
year = {2023}
}