通过隐式神经表示的测试时训练实现可控风格迁移
计算机视觉与模式识别
2022-10-18 v2
摘要
我们提出了一种基于隐式神经表示（Implicit Neural Representation, INR）的可控风格迁移框架，该框架通过测试时训练逐像素地控制风格化输出。与传统图像优化方法常面临收敛不稳定、以及基于学习的方法需密集训练且泛化能力有限不同，我们提出了一种模型优化框架，在测试时利用风格迁移的显式损失函数优化神经网络。在经过一次测试时训练后，得益于基于 INR 模型的灵活性，我们的框架能够以逐像素方式精确控制风格化图像，并在无需进一步优化或训练的情况下自由调整图像分辨率。我们展示了若干应用。
引用
@article{arxiv.2210.07762,
title = {Controllable Style Transfer via Test-time Training of Implicit Neural Representation},
author = {Sunwoo Kim and Youngjo Min and Younghun Jung and Seungryong Kim},
journal= {arXiv preprint arXiv:2210.07762},
year = {2022}
}
备注
Project Page: https://ku-cvlab.github.io/INR-st/