使用图实例归一化实现任意风格迁移
计算机视觉与模式识别
2020-10-07 v1
摘要
风格迁移是将一幅图像的风格应用于另一幅图像同时保留内容的图像合成任务。在统计方法中，自适应实例归一化（AdaIN）对源图像白化，并通过归一化特征的均值和方差来应用目标图像的风格。然而，为每个实例计算特征统计量会忽略特征间的内在关系，因此难以在学习全局风格的同时拟合个体训练数据集。本文中，我们提出一种使用图卷积网络用于风格迁移的可学习归一化新技术，称为图实例归一化（GrIN）。该算法通过考虑实例间共享的相似信息，使风格迁移方法更鲁棒。此外，这一简单模块也适用于图像到图像翻译或领域适应等其他任务。
引用
@article{arxiv.2010.02560,
title = {Arbitrary Style Transfer using Graph Instance Normalization},
author = {Dongki Jung and Seunghan Yang and Jaehoon Choi and Changick Kim},
journal= {arXiv preprint arXiv:2010.02560},
year = {2020}
}