基于实例归一化的深度感知神经风格迁移
计算机视觉与模式识别
2022-09-26 v2 神经与进化计算
摘要
神经风格迁移（NST）关注视觉媒体的艺术风格化。它可被描述为将艺术图像的风格迁移到普通照片上的过程。近来，若干研究考虑了增强 NST 算法的深度保持能力，以解决当输入内容图像包含不同深度的大量物体时所出现的不期望效应。我们的方法使用带有实例归一化层的深度残差卷积网络，该网络利用先进的深度预测网络将深度保持作为内容损失与风格损失之外的附加损失函数加以整合。我们展示了在保留内容图像深度与全局结构方面行之有效的效果。三种不同的评估过程表明，我们的系统能够在保持风格化结果结构的同时，展现出与最先进方法相当或更优的风格捕捉能力与美学品质。项目页面：https://ioannoue.github.io/depth-aware-nst-using-in.html。
引用
@article{arxiv.2203.09242,
title = {Depth-aware Neural Style Transfer using Instance Normalization},
author = {Eleftherios Ioannou and Steve Maddock},
journal= {arXiv preprint arXiv:2203.09242},
year = {2022}
}
备注
8 pages, 8 figures, Computer Graphics & Visual Computing (CGVC) 2022